Fugu-MT 論文翻訳(概要): Evidential Semantic Mapping in Off-road Environments with Uncertainty-aware Bayesian Kernel Inference

論文の概要: Evidential Semantic Mapping in Off-road Environments with Uncertainty-aware Bayesian Kernel Inference

arxiv url: http://arxiv.org/abs/2403.14138v1
Date: Thu, 21 Mar 2024 05:13:34 GMT
ステータス: 処理完了
システム内更新日: 2024-03-22 15:27:06.118818
Title: Evidential Semantic Mapping in Off-road Environments with Uncertainty-aware Bayesian Kernel Inference
Title（参考訳）: 不確かさを意識したベイズカーネル推論を用いたオフロード環境におけるエビデンシャルセマンティックマッピング
Authors: Junyoung Kim, Junwon Seo, Jihong Min,
Abstract要約: 本稿では,オフロード環境における信頼性を高めることを目的とした,明白なセマンティックマッピングフレームワークを提案する。セマンティックな不確かさを適応的に処理することにより、提案フレームワークは、これまで見えなかった環境においても、周囲の堅牢な表現を構築する。
参考スコア（独自算出の注目度）: 5.120567378386614
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Robotic mapping with Bayesian Kernel Inference (BKI) has shown promise in creating semantic maps by effectively leveraging local spatial information. However, existing semantic mapping methods face challenges in constructing reliable maps in unstructured outdoor scenarios due to unreliable semantic predictions. To address this issue, we propose an evidential semantic mapping, which can enhance reliability in perceptually challenging off-road environments. We integrate Evidential Deep Learning into the semantic segmentation network to obtain the uncertainty estimate of semantic prediction. Subsequently, this semantic uncertainty is incorporated into an uncertainty-aware BKI, tailored to prioritize more confident semantic predictions when accumulating semantic information. By adaptively handling semantic uncertainties, the proposed framework constructs robust representations of the surroundings even in previously unseen environments. Comprehensive experiments across various off-road datasets demonstrate that our framework enhances accuracy and robustness, consistently outperforming existing methods in scenes with high perceptual uncertainties.
Abstract（参考訳）: ベイジアンカーネル推論(BKI)を用いたロボットマッピングは,局所的な空間情報を効果的に活用して意味地図を作成する上で有望であることを示す。しかし,既存のセマンティックマッピング手法では,信頼できないセマンティックな予測のため,非構造化屋外シナリオにおける信頼性の高いマップ構築の課題に直面している。そこで本研究では,オフロード環境の認識に難渋する環境における信頼性を高めることを目的とした,明確なセマンティックマッピングを提案する。セマンティックセグメンテーションネットワークにEvidential Deep Learningを組み込んで,セマンティック予測の不確かさを推定する。このセマンティックな不確実性は、セマンティック情報を蓄積する際により確実なセマンティックな予測を優先するように、不確実性を意識したBKIに組み込まれる。セマンティックな不確かさを適応的に処理することにより、提案フレームワークは、これまで見えなかった環境においても、周囲の堅牢な表現を構築する。様々なオフロードデータセットに対する総合的な実験により、我々のフレームワークは精度とロバスト性を向上し、知覚の不確実性の高いシーンにおける既存の手法を一貫して上回ることを示した。

関連論文リスト

Latent BKI: Open-Dictionary Continuous Mapping in Visual-Language Latent Spaces with Quantifiable Uncertainty [6.986230616834552]
本稿では,新しい確率的マッピングアルゴリズムであるLatent BKIを導入し,不確かさを定量化するオープン語彙マッピングを実現する。ラテントBKIは、人気のMatterPort-3DとSemantic KITTIデータセット上で、同様の明示的なセマンティックマッピングとVLマッピングフレームワークに対して評価される。実世界の実験は、挑戦的な屋内環境に適用可能であることを示す。
論文参考訳（メタデータ） (2024-10-15T17:02:32Z)
Uncertainty-aware Semantic Mapping in Off-road Environments with Dempster-Shafer Theory of Evidence [4.83420384410068]
本稿では,DST(Dempster-Shafer Theory of Evidence)の明確な推論をマッピングパイプライン全体に組み込む,明確な意味マッピングフレームワークを提案する。この枠組みは不確実性マップの信頼性を高め、知覚的不確実性の高いシーンにおいて既存の手法を一貫して上回っていることを示す。
論文参考訳（メタデータ） (2024-05-10T06:32:01Z)
Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文参考訳（メタデータ） (2023-08-03T12:43:21Z)
Elongated Physiological Structure Segmentation via Spatial and Scale Uncertainty-aware Network [28.88756808141357]
本研究では,空間的・大規模不確実性認識ネットワーク(SSU-Net)を提案する。実験の結果,SSU-Netは角膜内皮細胞と網膜血管の分節機能に優れていた。
論文参考訳（メタデータ） (2023-05-30T08:57:31Z)
Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文参考訳（メタデータ） (2022-11-16T06:28:20Z)
Convolutional Bayesian Kernel Inference for 3D Semantic Mapping [1.7615233156139762]
本稿では,ベイズ的推論を明示的に行うことを学ぶ畳み込みベイズ的カーネル推論層を紹介する。 We learn semantic-geometric probability distributions for LiDAR sensor information and incorporated semantic predictions into a global map。我々は、KITTIデータセット上での最先端セマンティックマッピングアルゴリズムに対するネットワークの評価を行い、同等のセマンティックラベル推論結果によるレイテンシの向上を実証した。
論文参考訳（メタデータ） (2022-09-21T21:15:12Z)
NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文参考訳（メタデータ） (2022-02-07T12:30:45Z)
Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
論文参考訳（メタデータ） (2021-05-28T09:23:05Z)
Dive into Ambiguity: Latent Distribution Mining and Pairwise Uncertainty Estimation for Facial Expression Recognition [59.52434325897716]
DMUE(DMUE)という,アノテーションのあいまいさを2つの視点から解決するソリューションを提案する。前者に対しては,ラベル空間における潜伏分布をよりよく記述するために,補助的マルチブランチ学習フレームワークを導入する。後者の場合、インスタンス間の意味的特徴のペアワイズ関係を完全に活用して、インスタンス空間のあいまいさの程度を推定する。
論文参考訳（メタデータ） (2021-04-01T03:21:57Z)
Probabilistic Deep Learning for Instance Segmentation [9.62543698736491]
提案手法は,提案不要なインスタンスセグメンテーションモデルにおけるモデル独立不確実性推定値を得るための汎用的な手法である。本手法は,BBBC010 C. elegansデータセットを用いて評価し,競合性能を示す。
論文参考訳（メタデータ） (2020-08-24T19:51:48Z)
Rectifying Pseudo Label Learning via Uncertainty Estimation for Domain Adaptive Semantic Segmentation [49.295165476818866]
本稿では、意味的セグメンテーションの文脈において、ソースドメインからターゲットドメインへの知識伝達の教師なし領域適応に焦点を当てる。既存のアプローチでは、通常、擬似ラベルを未ラベルのターゲットドメインデータを完全に活用するための基礎的真理とみなす。本稿では,擬似ラベル学習の修正のために,学習中の予測の不確かさを明示的に推定することを提案する。
論文参考訳（メタデータ） (2020-03-08T12:37:19Z)

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。