論文の概要: Have We Ever Encountered This Before? Retrieving Out-of-Distribution
Road Obstacles from Driving Scenes
- arxiv url: http://arxiv.org/abs/2309.04302v1
- Date: Fri, 8 Sep 2023 13:02:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-11 13:33:23.792843
- Title: Have We Ever Encountered This Before? Retrieving Out-of-Distribution
Road Obstacles from Driving Scenes
- Title（参考訳）: 前に会ったことある?
運転シーンからの道路障害物の回収
- Authors: Youssef Shoeb, Robin Chan, Gesina Schwalbe, Azarm Nowzard, Fatma
G\"uney, Hanno Gottschalk
- Abstract要約: 本稿では,OoD道路障害物を映像ストリーム中のシーンから抽出するテキストベースの手法を提案する。
提案手法は,OoDセグメンテーションとマルチモーダル基礎モデルの最近の進歩を利用する。
テキストベースのOoDオブジェクト検索における新しいタスクに対する最初のアプローチを提案する。
- 参考スコア（独自算出の注目度）: 3.7748662901422807
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the life cycle of highly automated systems operating in an open and
dynamic environment, the ability to adjust to emerging challenges is crucial.
For systems integrating data-driven AI-based components, rapid responses to
deployment issues require fast access to related data for testing and
reconfiguration. In the context of automated driving, this especially applies
to road obstacles that were not included in the training data, commonly
referred to as out-of-distribution (OoD) road obstacles. Given the availability
of large uncurated recordings of driving scenes, a pragmatic approach is to
query a database to retrieve similar scenarios featuring the same safety
concerns due to OoD road obstacles. In this work, we extend beyond identifying
OoD road obstacles in video streams and offer a comprehensive approach to
extract sequences of OoD road obstacles using text queries, thereby proposing a
way of curating a collection of OoD data for subsequent analysis. Our proposed
method leverages the recent advances in OoD segmentation and multi-modal
foundation models to identify and efficiently extract safety-relevant scenes
from unlabeled videos. We present a first approach for the novel task of
text-based OoD object retrieval, which addresses the question ''Have we ever
encountered this before?''.
- Abstract（参考訳）: オープンでダイナミックな環境で稼働する高度自動化システムのライフサイクルでは、新たな課題に対応する能力が不可欠である。
データ駆動AIベースのコンポーネントを統合するシステムでは、デプロイメント問題に対する迅速な応答は、テストと再構成のために関連するデータへの迅速なアクセスを必要とする。
自動運転の文脈では、特にトレーニングデータに含まれていない道路障害物(一般にはOoD(out-of-distribution)道路障害物)に当てはまる。
運転シーンの大規模な未確認記録が利用可能であることを踏まえると、現実的なアプローチは、oodの道路障害による安全上の懸念を特徴とする同様のシナリオをデータベースに問い合わせることである。
本研究では,ビデオストリーム中のOoD道路障害の特定を超えて,テキストクエリを用いてOoD道路障害のシーケンスを抽出するための包括的なアプローチを提案し,その後の分析のためにOoDデータの収集方法を提案する。
提案手法は,oodセグメンテーションとマルチモーダル基礎モデルの最近の進歩を利用して,ラベル付きビデオから安全関連シーンを識別し,効率的に抽出する。
本稿では,テキストベースoodオブジェクト検索の新たな課題に対する最初のアプローチについて述べる。
関連論文リスト
- Decentralized Semantic Traffic Control in AVs Using RL and DQN for Dynamic Roadblocks [9.485363025495225]
車両自体にセマンティックエンコーディングの責務を委譲するセマンティックトラフィック制御システムを提案する。
このシステムは、強化学習(RL)エージェントから得られる意思決定を処理し、意思決定プロセスの合理化を行う。
論文 参考訳（メタデータ） (2024-06-26T20:12:48Z) - RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and
Comfortable Autonomous Driving [67.09546127265034]
道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。
我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。
約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
論文 参考訳（メタデータ） (2023-10-03T17:59:32Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳（メタデータ） (2023-03-08T00:48:32Z) - AI-Driven Road Maintenance Inspection v2: Reducing Data Dependency &
Quantifying Road Damage [11.052502162865206]
道路インフラの整備検査は、通常、全ての道路利用者の安全を確保するために労働集約的で重要な作業である。
道路損傷検出のためのラベルを生成するために,少数ショット学習やアウト・オブ・ディストリビューション検出といった手法を活用することで,自動ラベリングパイプラインを提案する。
これらの技術で訓練されたAIモデルは、人間のアノテーションの要求を減らした実世界のデータをより一般化するだけでなく、メンテナンスの緊急さを見積もることも示している。
論文 参考訳（メタデータ） (2022-10-07T14:11:27Z) - Hindsight is 20/20: Leveraging Past Traversals to Aid 3D Perception [59.2014692323323]
小さな、遠く、あるいは非常に隠蔽された物体は、検出するためのLiDAR点雲に限られた情報があるため、特に困難である。
本稿では,過去データから文脈情報を抽出する,エンドツーエンドのトレーニング可能な新しいフレームワークを提案する。
このフレームワークは現代のほとんどの3D検出アーキテクチャと互換性があり、複数の自律走行データセットの平均精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2022-03-22T00:58:27Z) - Deep Learning Serves Traffic Safety Analysis: A Forward-looking Review [4.228522109021283]
本稿では,トラヒックビデオの理解と解釈に使用できる,典型的な処理パイプラインを提案する。
この処理フレームワークは、ビデオ強調、ビデオ安定化、セマンティックおよびインシデントセグメンテーション、オブジェクト検出と分類、軌道抽出、速度推定、イベント分析、モデリング、異常検出を含む。
論文 参考訳（メタデータ） (2022-03-07T17:21:07Z) - Unsupervised Lane-Change Identification for On-Ramp Merge Analysis in
Naturalistic Driving Data [0.0]
シナリオ駆動アプローチは、シナリオの堅牢なデータ基盤の要件を強調するCAVの受け入れを得ています。
本研究では,シナリオ分類とアセスメントを可能にするオンランプシナリオ識別フレームワークを提案する。
フレームワークの有効性は、Test Bed Lower Saxonyで収集されたデータセットで示される。
論文 参考訳（メタデータ） (2021-04-12T17:32:22Z) - Batch Exploration with Examples for Scalable Robotic Reinforcement
Learning [63.552788688544254]
BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。
BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
論文 参考訳（メタデータ） (2020-10-22T17:49:25Z) - Towards Anomaly Detection in Dashcam Videos [9.558392439655012]
本稿では,ディープラーニングによるデータ駆動型異常検出のアイデアをダッシュカムビデオに適用することを提案する。
トラックダッシュカムビデオ、すなわちRetroTrucksの大規模で多様なデータセットを提示する。
本研究では, (i) クラス分類損失と (ii) 再構成に基づく損失をRetroTruckの異常検出に適用する。
論文 参考訳（メタデータ） (2020-04-11T00:10:40Z) - Tracking Road Users using Constraint Programming [79.32806233778511]
本稿では,マルチオブジェクトトラッキング(MOT)問題のトラッキング・バイ・検出パラダイムに見られるデータアソシエーションフェーズに対する制約プログラミング(CP)アプローチを提案する。
提案手法は車両追跡データを用いてテストし,UA-DETRACベンチマークの上位手法よりも優れた結果を得た。
論文 参考訳（メタデータ） (2020-03-10T00:04:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。