論文の概要: Traffic Scene Similarity: a Graph-based Contrastive Learning Approach

• arxiv url: http://arxiv.org/abs/2309.09720v1
• Date: Mon, 18 Sep 2023 12:35:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-19 13:29:35.500475
• Title: Traffic Scene Similarity: a Graph-based Contrastive Learning Approach
• Title（参考訳）: トラフィックシーンの類似性:グラフベースのコントラスト学習アプローチ
• Authors: Maximilian Zipfl, Moritz Jarosch, and J. Marius Z\"ollner
• Abstract要約: 本稿では,グラフを用いて意味のある埋め込み空間を構築することを目的とした,コントラスト学習手法の拡張を提案する。 本手法は,シーン固有の特徴を用いたシーンの連続的なマッピングと,理論的に類似したクラスタの形成を示す。 検出されたクラスタに基づいて、同様のシーンがその後のテストプロセスで識別できるため、冗長なテストの実行が削減される可能性がある。
• 参考スコア（独自算出の注目度）: 4.451479907610764
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ensuring validation for highly automated driving poses significant obstacles to the widespread adoption of highly automated vehicles. Scenario-based testing offers a potential solution by reducing the homologation effort required for these systems. However, a crucial prerequisite, yet unresolved, is the definition and reduction of the test space to a finite number of scenarios. To tackle this challenge, we propose an extension to a contrastive learning approach utilizing graphs to construct a meaningful embedding space. Our approach demonstrates the continuous mapping of scenes using scene-specific features and the formation of thematically similar clusters based on the resulting embeddings. Based on the found clusters, similar scenes could be identified in the subsequent test process, which can lead to a reduction in redundant test runs.
• Abstract（参考訳）: 高度自動走行の検証の確保は、高度自動走行車両の普及に重大な障害をもたらす。 シナリオベースのテストは、これらのシステムに必要な均質化労力を減らすことで潜在的な解決策を提供する。 しかし、重要な前提条件の1つは、テスト空間の定義と有限個のシナリオへの縮小である。 この課題に取り組むために,グラフを用いて有意義な埋め込み空間を構築するコントラスト学習手法の拡張を提案する。 本手法は,シーン特有の特徴を用いたシーンの連続マッピングと,得られた埋め込みに基づくテーマ的に類似したクラスタの生成を示す。 検出されたクラスタに基づいて、同様のシーンがその後のテストプロセスで識別できるため、冗長なテストの実行が削減される可能性がある。

関連論文リスト

• Temporal Action Localization with Enhanced Instant Discriminability [66.76095239972094]
  時間的行動検出(TAD)は、すべての行動境界とその対応するカテゴリを、トリミングされていないビデオで検出することを目的としている。 本稿では,既存の手法による動作境界の不正確な予測を解決するために,TriDetという一段階のフレームワークを提案する。 実験結果から,複数のTADデータセット上でのTriDetの堅牢性と最先端性能が示された。
  論文  参考訳（メタデータ） (2023-09-11T16:17:50Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Clustering-based Criticality Analysis for Testing of Automated Driving Systems [0.18416014644193066]
  本稿では,1つの論理シナリオから具体的なシナリオをクラスタリングすることで設定したシナリオを削減するという目標に焦点をあてる。 クラスタリング技術を利用することで、冗長で非関心なシナリオを識別および排除することが可能になり、典型的なシナリオセットとなる。
  論文  参考訳（メタデータ） (2023-06-22T08:36:20Z)
• HCL-TAT: A Hybrid Contrastive Learning Method for Few-shot Event Detection with Task-Adaptive Threshold [18.165302114575212]
  タスク適応型閾値(HCLTAT)を用いた新しいハイブリッドコントラスト学習法を提案する。 本稿では,タスク適応型閾値(HCLTAT)を用いたハイブリッドコントラスト学習手法を提案する。 ベンチマークデータセットFewEventの実験は、最先端技術と比較して、より良い結果を得るために、我々の手法の優位性を実証している。
  論文  参考訳（メタデータ） (2022-10-17T07:37:38Z)
• Test-time Adaptation with Slot-Centric Models [63.981055778098444]
  Slot-TTAは、半教師付きシーン分解モデルであり、シーンごとのテスト時間は、再構成やクロスビュー合成の目的に対する勾配降下を通じて適用される。 我々は、最先端の監視フィードフォワード検出器と代替テスト時間適応法に対して、配電性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2022-03-21T17:59:50Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Sensitive Samples Revisited: Detecting Neural Network Attacks Using Constraint Solvers [0.0]
  ニューラルネットワークは多くのセキュリティ関連および安全性関連ドメインで使用されている。 それらは、その分類能力を覆す攻撃の標的として人気がある。 本稿では,シンボリック制約解法を用いた代替案を提案する。
  論文  参考訳（メタデータ） (2021-09-07T01:34:02Z)
• Resisting Crowd Occlusion and Hard Negatives for Pedestrian Detection in the Wild [36.39830329023875]
  群衆と強烈なネガティブはいまだに最先端の歩行者探知機に挑戦している。 これらの課題に対処するために、一般的な地域ベースの検出フレームワークに基づく2つのアプローチを提案する。 Caltech-USAベンチマークとCityPersonsベンチマークで継続的にハイパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2020-05-15T03:47:32Z)
• Learning What Makes a Difference from Counterfactual Examples and Gradient Supervision [57.14468881854616]
  ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。 我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。 このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2020-04-20T02:47:49Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)
• Anomaly Detection by One Class Latent Regularized Networks [36.67420338535258]
  近年,GANに基づく半教師付きジェネレーティブ・アドバイザリアル・ネットワーク(GAN)手法が,異常検出タスクで人気を集めている。 遅延特徴空間でトレーニングデータの基盤となる構造を捕捉する新しい対角デュアルオートエンコーダネットワークを提案する。 実験の結果,MNISTおよびCIFAR10データセットおよびGTSRB停止信号データセットの最先端結果が得られた。
  論文  参考訳（メタデータ） (2020-02-05T02:21:52Z)

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。