論文の概要: Adaptability of Computer Vision at the Tactical Edge: Addressing Environmental Uncertainty

• arxiv url: http://arxiv.org/abs/2312.00269v1
• Date: Fri, 1 Dec 2023 01:03:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-04 16:02:58.885310
• Title: Adaptability of Computer Vision at the Tactical Edge: Addressing Environmental Uncertainty
• Title（参考訳）: 戦術的エッジにおけるコンピュータビジョンの適応性:環境不確実性への対応
• Authors: Hayden Moore
• Abstract要約: コンピュータビジョン(CV)システムは、コマンド・アンド・コントロール(C2)システムにますます採用されている。 CVシステムは人工知能(AI)アルゴリズムを利用して環境を可視化し解釈する。 戦術エッジにおけるCVシステムの適応性は、環境や物体が急速に変化するため、依然として困難である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Computer Vision (CV) systems are increasingly being adopted into Command and Control (C2) systems to improve intelligence analysis on the battlefield, the tactical edge. CV systems leverage Artificial Intelligence (AI) algorithms to help visualize and interpret the environment, enhancing situational awareness. However, the adaptability of CV systems at the tactical edge remains challenging due to rapidly changing environments and objects which can confuse the deployed models. A CV model leveraged in this environment can become uncertain in its predictions, as the environment and the objects existing in the environment begin to change. Additionally, mission objectives can rapidly change leading to adjustments in technology, camera angles, and image resolutions. All of which can negatively affect the performance of and potentially introduce uncertainty into the system. When the training environment and/or technology differs from the deployment environment, CV models can perform unexpectedly. Unfortunately, most scenarios at the tactical edge do not incorporate Uncertainty Quantification (UQ) into their deployed C2 and CV systems. This concept paper explores the idea of synchronizing robust data operations and model fine-tuning driven by UQ all at the tactical edge. Specifically, curating datasets and training child models based on the residuals of predictions, using these child models to calculate prediction intervals (PI), and then using these PI to calibrate the deployed models. By incorporating UQ into the core operations surrounding C2 and CV systems at the tactical edge, we can help drive purposeful adaptability on the battlefield.
• Abstract（参考訳）: コンピュータビジョン(CV)システムは戦場における情報分析を改善するためにコマンド・アンド・コントロール(C2)システムに採用されつつある。 CVシステムは人工知能(AI)アルゴリズムを利用して環境を可視化し解釈し、状況認識を高める。 しかし, CVシステムの戦術エッジでの適応性は, 配置されたモデルと混同できる環境や物体が急速に変化するため, 依然として困難である。 この環境で利用されるcvモデルは、環境と環境に存在するオブジェクトが変化し始めると、その予測において不確実になる可能性がある。 さらに、ミッションの目的が急速に変化し、技術、カメラアングル、解像度が調整される。 これらはいずれもパフォーマンスに悪影響を及ぼし、システムに不確実性をもたらす可能性がある。 訓練環境や技術が配置環境と異なる場合、cvモデルは予期せぬ性能を発揮する。 残念ながら、戦術エッジのほとんどのシナリオは、デプロイされたC2およびCVシステムに不確実性定量化(UQ)を組み込んでいない。 本稿では,uqによるロバストなデータ操作とモデルの微調整を戦術エッジで同期化する考え方を検討する。 具体的には、データセットをキュレートし、予測の残量に基づいて子モデルをトレーニングし、これらの子モデルを使用して予測間隔(PI)を計算し、これらのPIを使用してデプロイされたモデルを校正する。 戦術的エッジにおけるC2およびCVシステムを取り巻くコアオペレーションにUQを組み込むことで,戦場での適応性を高めることができる。

関連論文リスト

• AdaCropFollow: Self-Supervised Online Adaptation for Visual Under-Canopy Navigation [31.214318150001947]
  アンダーキャノピー農業ロボットは、精密なモニタリング、スプレー、雑草、植物操作などの様々な応用を可能にする。 本稿では,視覚的基礎モデル,幾何学的事前,擬似ラベリングを用いて意味キーポイント表現を適応するための自己教師付きオンライン適応手法を提案する。 これにより、人間による介入を必要とせずに、畑や作物をまたがるアンダーキャノピーロボットの完全な自律的な行追尾が可能になる。
  論文  参考訳（メタデータ） (2024-10-16T09:52:38Z)
• Assurance for Deployed Continual Learning Systems [0.0]
  著者らは、ディープラーニングコンピュータビジョンアルゴリズムを用いて、連続学習を安全に実行するための新しいフレームワークを開発した。 安全フレームワークには、画像分類を実行する畳み込みニューラルネットワークのアンサンブルなど、いくつかの機能が含まれている。 結果は、システムが安全に動作していないことをフレームワークが検出できることを示している。
  論文  参考訳（メタデータ） (2023-11-16T22:22:13Z)
• Policy Pre-training for End-to-end Autonomous Driving via Self-supervised Geometric Modeling [96.31941517446859]
  PPGeo (Policy Pre-training via Geometric Modeling) は,視覚運動運転における政策事前学習のための,直感的かつ直接的な完全自己教師型フレームワークである。 本研究では,大規模な未ラベル・未校正動画の3次元幾何学シーンをモデル化することにより,ポリシー表現を強力な抽象化として学習することを目的とする。 第1段階では、幾何モデリングフレームワークは、2つの連続したフレームを入力として、ポーズと深さの予測を同時に生成する。 第2段階では、視覚エンコーダは、将来のエゴモーションを予測し、現在の視覚観察のみに基づいて測光誤差を最適化することにより、運転方針表現を学習する。
  論文  参考訳（メタデータ） (2023-01-03T08:52:49Z)
• Collective Intelligence for 2D Push Manipulations with Mobile Robots [18.937030864563752]
  異なるソフトボディ物理シミュレータからアテンションベースのニューラルネットワークにプランナーを蒸留することにより、我々のマルチロボットプッシュ操作システムはベースラインよりも優れた性能を実現する。 また、トレーニング中に見えない構成に一般化し、外乱や環境変化を適用したときにタスク完了に適応することができる。
  論文  参考訳（メタデータ） (2022-11-28T08:48:58Z)
• Maximum Likelihood Distillation for Robust Modulation Classification [50.51144496609274]
  我々は、より堅牢なAMCシステムを構築するために、知識蒸留のアイデアと敵の訓練に基づいて構築する。 オフライン環境でのAMC問題を解消し,より優れたトレーニングラベルを生成するためのMaximum Likelihood関数を提案する。
  論文  参考訳（メタデータ） (2022-11-01T21:06:11Z)
• Continual Predictive Learning from Videos [100.27176974654559]
  本稿では,ビデオ予測の文脈において,新たな連続学習問題について検討する。 本稿では,連続予測学習(Continuousal predictive Learning, CPL)アプローチを提案する。 我々はRoboNetとKTHに基づく2つの新しいベンチマークを構築し、異なるタスクが異なる物理ロボット環境や人間の行動に対応するようにした。
  論文  参考訳（メタデータ） (2022-04-12T08:32:26Z)
• Optical flow-based branch segmentation for complex orchard environments [73.11023209243326]
  シミュレーションでは、シミュレーションでは、シミュレーションされたRGBデータと光フローのみを用いてニューラルネットワークシステムを訓練する。 このニューラルネットワークは、忙しい果樹園環境において、追加の現実世界のトレーニングや、標準カメラ以外の特別な設定や機器を使用することなく、前景の枝のセグメンテーションを行うことができる。 その結果,本システムは高精度であり,手動ラベル付きRGBDデータを用いたネットワークと比較すると,トレーニングセットと異なる環境において,より一貫性と堅牢性を実現していることがわかった。
  論文  参考訳（メタデータ） (2022-02-26T03:38:20Z)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)
• Self-Improving Semantic Perception on a Construction Robot [6.823936426747797]
  本稿では,ロボット上でセマンティクスモデルが継続的に更新され,展開環境に適応するフレームワークを提案する。 そこで本システムは,マルチセンサ知覚と局所化を密結合し,自己教師付き擬似ラベルから継続的に学習する。
  論文  参考訳（メタデータ） (2021-05-04T16:06:12Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)
• Change Point Models for Real-time Cyber Attack Detection in Connected Vehicle Environment [7.863458801839857]
  本研究では,CV環境におけるリアルタイムV2Iサイバー攻撃検出のための2つの変化点モデル,期待最大化(EM)と2種類の累積サミネーション(CUSUM)アルゴリズムの有効性について検討した。
  論文  参考訳（メタデータ） (2020-03-05T21:19:42Z)

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。