論文の概要: ActiveAD: Planning-Oriented Active Learning for End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2403.02877v1
• Date: Tue, 5 Mar 2024 11:39:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 15:08:31.607104
• Title: ActiveAD: Planning-Oriented Active Learning for End-to-End Autonomous Driving
• Title（参考訳）: ActiveAD: エンドツーエンド自動運転のための計画指向アクティブラーニング
• Authors: Han Lu, Xiaosong Jia, Yichen Xie, Wenlong Liao, Xiaokang Yang, Junchi Yan
• Abstract要約: 自動運転のためのエンドツーエンドの差別化学習は、最近顕著なパラダイムになっている。 第一のボトルネックは、高品質なラベル付きデータに対する大胆な欲求にある。 収集した生データの一部を段階的に注釈付けする計画指向のアクティブラーニング手法を提案する。
• 参考スコア（独自算出の注目度）: 96.92499034935466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: End-to-end differentiable learning for autonomous driving (AD) has recently become a prominent paradigm. One main bottleneck lies in its voracious appetite for high-quality labeled data e.g. 3D bounding boxes and semantic segmentation, which are notoriously expensive to manually annotate. The difficulty is further pronounced due to the prominent fact that the behaviors within samples in AD often suffer from long tailed distribution. In other words, a large part of collected data can be trivial (e.g. simply driving forward in a straight road) and only a few cases are safety-critical. In this paper, we explore a practically important yet under-explored problem about how to achieve sample and label efficiency for end-to-end AD. Specifically, we design a planning-oriented active learning method which progressively annotates part of collected raw data according to the proposed diversity and usefulness criteria for planning routes. Empirically, we show that our planning-oriented approach could outperform general active learning methods by a large margin. Notably, our method achieves comparable performance with state-of-the-art end-to-end AD methods - by using only 30% nuScenes data. We hope our work could inspire future works to explore end-to-end AD from a data-centric perspective in addition to methodology efforts.
• Abstract（参考訳）: 自動運転(AD)のためのエンドツーエンドの差別化学習は、最近顕著なパラダイムとなっている。 主なボトルネックは、3Dバウンディングボックスやセマンティックセグメンテーションなどの高品質なラベル付きデータに対する、手動でアノテートするのに非常に高価である。 AD中のサンプルの挙動が長い尾の分布にしばしば苦しむという顕著な事実から、この難しさはさらに顕著である。 言い換えれば、収集されたデータの大部分は自明なもの(例えば、単に直線道路を進むなど)であり、安全クリティカルなケースはごくわずかである。 本稿では, エンド・ツー・エンドADにおけるサンプルとラベルの効率性について, 実際に重要かつ未解明の課題について検討する。 具体的には,計画経路の多様性と有用性基準に応じて,収集した生データの一部を段階的に注釈付けする計画指向アクティブラーニング手法を設計する。 実証的に、我々の計画指向アプローチは、一般的なアクティブな学習方法よりも大きなマージンで優れていることを示す。 特に,本手法は,30%のnuScenesデータを用いて,最先端のエンドツーエンドAD手法と同等の性能を実現する。 私たちの研究が将来、方法論の取り組みに加えて、データ中心の視点からエンドツーエンドのADを探究するきっかけになることを期待しています。

関連論文リスト

• Semi-supervised Object Detection: A Survey on Recent Research and Progress [2.2398477810999817]
  半教師対象検出(SSOD)は、高い研究価値と実践性のために、ますます注目されている。 本稿では,5つの側面からSSODのアプローチに関する包括的かつ最新の調査を紹介する。
  論文  参考訳（メタデータ） (2023-06-25T02:54:03Z)
• ELDA: Using Edges to Have an Edge on Semantic Segmentation Based UDA [11.985940818257786]
  エッジ学習ベースのドメイン適応(ELDA)は、エッジ情報をトレーニングプロセスに組み込んで、ドメイン不変情報のタイプとして機能するフレームワークである。 ELDAは、異なるクラスの特徴分布をよりよく分離できることを示す。
  論文  参考訳（メタデータ） (2022-11-16T12:49:33Z)
• Adversarial Auto-Augment with Label Preservation: A Representation Learning Principle Guided Approach [95.74102207187545]
  本研究では,事前自由な自律的データ拡張の目的が表現学習の原則から導出可能であることを示す。 そこで我々は,既存の手法にシームレスに最適化し,シームレスに統合できる目的に対して,実用的なサロゲートを提案する。
  論文  参考訳（メタデータ） (2022-11-02T02:02:51Z)
• LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
  我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。 本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。 提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
  論文  参考訳（メタデータ） (2022-10-14T19:13:36Z)
• A Survey of Learning on Small Data: Generalization, Optimization, and Challenge [101.27154181792567]
  ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。 この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。 効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
  論文  参考訳（メタデータ） (2022-07-29T02:34:19Z)
• Learning Distinctive Margin toward Active Domain Adaptation [27.091800612463455]
  本研究では,Select-by-Distinctive-Margin (SDM) という,簡潔だが効果的なADA法を提案する。 SDMは、データ選択のための最大マージン損失とマージンサンプリングアルゴリズムからなる。 我々は、SDMを標準的なアクティブな学習設定でベンチマークし、我々のアルゴリズムが優れたデータスケーラビリティで競合する結果を達成することを実証した。
  論文  参考訳（メタデータ） (2022-03-11T03:30:58Z)
• Data-Efficient and Interpretable Tabular Anomaly Detection [54.15249463477813]
  本稿では,ホワイトボックスモデルクラスである一般化付加モデルを適用し,異常を検出する新しいフレームワークを提案する。 さらに、提案フレームワークであるDIADは、ラベル付きデータの少量を組み込んで、半教師付き設定における異常検出性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2022-03-03T22:02:56Z)
• Just Label What You Need: Fine-Grained Active Selection for Perception and Prediction through Partially Labeled Scenes [78.23907801786827]
  提案手法は,コストに配慮した手法と,部分的にラベル付けされたシーンを通じて詳細なサンプル選択を可能にする一般化を導入している。 実世界の大規模自動運転データセットに関する我々の実験は、微粒な選択が知覚、予測、下流計画タスクのパフォーマンスを向上させることを示唆している。
  論文  参考訳（メタデータ） (2021-04-08T17:57:41Z)

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。