Fugu-MT 論文翻訳(概要): Lightweight Regression Model with Prediction Interval Estimation for Computer Vision-based Winter Road Surface Condition Monitoring

論文の概要: Lightweight Regression Model with Prediction Interval Estimation for Computer Vision-based Winter Road Surface Condition Monitoring

arxiv url: http://arxiv.org/abs/2310.00923v2
Date: Fri, 26 Apr 2024 09:32:11 GMT
ステータス: 処理完了
システム内更新日: 2024-04-29 18:07:56.535268
Title: Lightweight Regression Model with Prediction Interval Estimation for Computer Vision-based Winter Road Surface Condition Monitoring
Title（参考訳）: コンピュータビジョンに基づく冬期道路表面状態モニタリングのための予測区間推定を用いた軽量回帰モデル
Authors: Risto Ojala, Alvari Seppänen,
Abstract要約: 本稿では,カメラ画像から路面摩擦特性を推定できるディープラーニング回帰モデルSIWNetを提案する。 SIWNetはアーキテクチャに不確実性推定機構を含めることで、技術の状態を拡張している。モデルは、SeeingThroughFogデータセットでトレーニングされ、テストされた。
参考スコア（独自算出の注目度）: 0.4972323953932129
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Winter conditions pose several challenges for automated driving applications. A key challenge during winter is accurate assessment of road surface condition, as its impact on friction is a critical parameter for safely and reliably controlling a vehicle. This paper proposes a deep learning regression model, SIWNet, capable of estimating road surface friction properties from camera images. SIWNet extends state of the art by including an uncertainty estimation mechanism in the architecture. This is achieved by including an additional head in the network, which estimates a prediction interval. The prediction interval head is trained with a maximum likelihood loss function. The model was trained and tested with the SeeingThroughFog dataset, which features corresponding road friction sensor readings and images from an instrumented vehicle. Acquired results highlight the functionality of the prediction interval estimation of SIWNet, while the network also achieved similar point estimate accuracy as the previous state of the art. Furthermore, the SIWNet architecture is several times more lightweight than the previously applied state-of-the-art model, resulting in more practical and efficient deployment.
Abstract（参考訳）: 冬の条件は、自動運転アプリケーションにいくつかの課題をもたらす。冬期の重要な課題は、摩擦に対する影響が安全かつ確実に車両を制御するための重要なパラメータであるため、道路表面の状態の正確な評価である。本稿では,カメラ画像から路面摩擦特性を推定できるディープラーニング回帰モデルSIWNetを提案する。 SIWNetはアーキテクチャに不確実性推定機構を含むことによって最先端のアーキテクチャを拡張している。これは、予測間隔を推定する追加のヘッダをネットワークに含めることによって達成される。予測間隔ヘッドは、最大極大損失関数で訓練される。モデルは、SeeingThroughFogデータセットでトレーニングされ、テストされた。得られた結果はSIWNetの予測間隔推定の機能を強調し,ネットワークは従来の最先端技術と類似点推定精度も達成した。さらにSIWNetアーキテクチャは、これまで適用されていた最先端モデルよりも数倍軽量で、より実用的で効率的なデプロイメントを実現している。

関連論文リスト

Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文参考訳（メタデータ） (2024-07-18T15:44:23Z)
Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
運動プランナー(MP)は複雑な都市環境における安全なナビゲーションに不可欠である。最近リリースされたMPベンチマークであるnuPlanは、クローズドループシミュレーションロジックで現実世界の駆動ログを拡張することで、この制限に対処している。本稿では,モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverを提案する。
論文参考訳（メタデータ） (2024-06-15T18:53:45Z)
ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文参考訳（メタデータ） (2024-02-02T10:34:13Z)
Interpretable Goal-Based model for Vehicle Trajectory Prediction in Interactive Scenarios [4.1665957033942105]
自動車とその周囲の社会的相互作用は、自動運転における道路安全にとって重要である。対話型環境における車両軌道予測のためのニューラルネットワークモデルを提案する。我々は、InterActionデータセットを用いてモデルを実装し、評価し、提案したアーキテクチャの有効性を実証する。
論文参考訳（メタデータ） (2023-08-08T15:00:12Z)
Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文参考訳（メタデータ） (2023-08-02T23:39:24Z)
Self-Supervised Action-Space Prediction for Automated Driving [0.0]
本稿では,自動走行のための新しい学習型マルチモーダル軌道予測アーキテクチャを提案する。学習問題を加速度と操舵角の空間に投入することにより、運動論的に実現可能な予測を実現する。提案手法は,都市交差点とラウンドアバウトを含む実世界のデータセットを用いて評価する。
論文参考訳（メタデータ） (2021-09-21T08:27:56Z)
Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文参考訳（メタデータ） (2021-07-14T21:10:47Z)
Spatio-Temporal Look-Ahead Trajectory Prediction using Memory Neural Network [6.065344547161387]
本論文では,記憶神経ネットワークと呼ばれる新しい繰り返しニューラルネットワークを用いて,時空間的視線軌道予測の問題を解くことを試みる。提案手法は計算量が少なく,LSTMやGRUを用いた他のディープラーニングモデルと比較すると,単純なアーキテクチャである。
論文参考訳（メタデータ） (2021-02-24T05:02:19Z)
Ellipse Loss for Scene-Compliant Motion Prediction [12.446392441065065]
本研究では,シーンコンプライアンスをよりよく推論し,より現実的な軌跡を予測できる新しい楕円損失を提案する。楕円損失は、出力軌跡をトップダウンマップフレームに投影することにより、教師付き方法でオフロード予測を直接ペナルティ化する。アクターの寸法と方向を考慮に入れ、モデルにより直接的なトレーニング信号を提供する。
論文参考訳（メタデータ） (2020-11-05T23:33:56Z)
AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
論文参考訳（メタデータ） (2020-06-24T23:13:11Z)
QTIP: Quick simulation-based adaptation of Traffic model per Incident Parameters [6.59529078336196]
QTIP(QTIP)は,交通の破壊に伴う予測モデルの適応のためのシミュレーションベースのフレームワークである。 QTIPは、影響を受ける道路のリアルタイムシミュレーションを複数のシナリオで実行し、結果を分析し、通常の予測モデルの変更を提案する。デンマークの高速道路のケーススタディにおいて,QTIPを実験したところ,QTIPは道路事故発生最初の臨界時間において,交通予測を改善することができることがわかった。
論文参考訳（メタデータ） (2020-03-09T13:07:07Z)

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。