論文の概要: EC-IoU: Orienting Safety for Object Detectors via Ego-Centric Intersection-over-Union

• arxiv url: http://arxiv.org/abs/2403.15474v1
• Date: Wed, 20 Mar 2024 16:25:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-26 22:41:56.462573
• Title: EC-IoU: Orienting Safety for Object Detectors via Ego-Centric Intersection-over-Union
• Title（参考訳）: EC-IoU:Ego-Centric Intersection-over-Unionによる物体検出装置の配向安全性
• Authors: Brian Hsuan-Cheng Liao, Chih-Hong Cheng, Hasan Esen, Alois Knoll,
• Abstract要約: 本稿では,新しいEgo-Centric Intersection-over-Union(EC-IoU)尺度による安全指向物体検出について述べる。 我々は,広範に使用されているIoU測度を改良する重み付け機構を提案し,エゴエージェントの観点から,接地構造体の近点をカバーする予測値に高いスコアを割り当てる。
• 参考スコア（独自算出の注目度）: 7.355977594790584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents safety-oriented object detection via a novel Ego-Centric Intersection-over-Union (EC-IoU) measure, addressing practical concerns when applying state-of-the-art learning-based perception models in safety-critical domains such as autonomous driving. Concretely, we propose a weighting mechanism to refine the widely used IoU measure, allowing it to assign a higher score to a prediction that covers closer points of a ground-truth object from the ego agent's perspective. The proposed EC-IoU measure can be used in typical evaluation processes to select object detectors with higher safety-related performance for downstream tasks. It can also be integrated into common loss functions for model fine-tuning. While geared towards safety, our experiment with the KITTI dataset demonstrates the performance of a model trained on EC-IoU can be better than that of a variant trained on IoU in terms of mean Average Precision as well.
• Abstract（参考訳）: 本稿では,自律運転などの安全クリティカル領域において,最先端の学習に基づく認識モデルを適用する際の現実的な懸念に対処するため,新しいEgo-Centric Intersection-over-Union(EC-IoU)尺度による安全指向物体検出を提案する。 具体的には,広範に使用されているIoU測度を改良する重み付け機構を提案する。 提案したEC-IoU測度は、典型的な評価プロセスにおいて、下流タスクの安全性関連性能の高い対象検出器を選択するために使用できる。 また、モデルファインチューニングのための共通損失関数に統合することもできる。 安全性を重視しながら、KITTIデータセットを用いた実験により、EC-IoUでトレーニングされたモデルの性能は、平均精度でもIoUでトレーニングされたモデルよりも優れていることが示された。

関連論文リスト

• HUWSOD: Holistic Self-training for Unified Weakly Supervised Object Detection [66.42229859018775]
  我々は,HUWSOD(HuWSOD)と呼ばれる,統一・高容量弱教師付きオブジェクト検出(WSOD)ネットワークを導入する。 HUWSODには、自己管理された提案生成器と、従来のオブジェクト提案を置き換えるために、マルチレートで再構成されたピラミッドを備えたオートエンコーダ提案生成器が組み込まれている。 提案手法は,よく設計されたオフラインオブジェクト提案と大きく異なるが,WSOD訓練には有効であることを示す。
  論文  参考訳（メタデータ） (2024-06-27T17:59:49Z)
• Verification for Object Detection -- IBP IoU [2.2291239762534145]
  本稿では,物体検出モデルの形式的検証のための新しいインターバル境界伝搬法を提案する。 このアプローチはIBP IoUという名前のオープンソースコードで実装されており、一般的な抽象的な解釈に基づく検証ツールと互換性がある。
  論文  参考訳（メタデータ） (2024-01-30T09:05:38Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Empowering Autonomous Driving with Large Language Models: A Safety Perspective [82.90376711290808]
  本稿では,Large Language Models (LLM) の自律運転システムへの統合について検討する。 LLMは行動計画におけるインテリジェントな意思決定者であり、文脈的安全学習のための安全検証シールドを備えている。 適応型LLM条件モデル予測制御(MPC)と状態機械を用いたLLM対応対話型行動計画スキームという,シミュレーション環境における2つの重要な研究について述べる。
  論文  参考訳（メタデータ） (2023-11-28T03:13:09Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• USC: Uncompromising Spatial Constraints for Safety-Oriented 3D Object Detectors in Autonomous Driving [7.355977594790584]
  自律運転における3次元物体検出器の安全性指向性能について考察する。 本稿では,単純だが重要な局所化要件を特徴付ける空間的制約 (USC) について述べる。 既存のモデルに対する安全性指向の微調整を可能にするために,定量的な測定値を共通損失関数に組み込む。
  論文  参考訳（メタデータ） (2022-09-21T14:03:08Z)
• Denial-of-Service Attack on Object Detection Model Using Universal Adversarial Perturbation [26.77892878217983]
  NMS-Spongeは、最先端のオブジェクト検出器であるYOLOの決定遅延に悪影響を及ぼす新しいアプローチである。 提案するUAPは,「ファントム」オブジェクトを追加することで,個々のフレームの処理時間を向上できることを示す。
  論文  参考訳（メタデータ） (2022-05-26T20:46:28Z)
• Pseudo-IoU: Improving Label Assignment in Anchor-Free Object Detection [60.522877583407904]
  現在のアンカーフリー物体検出器は非常に単純で有効であるが、正確なラベル割り当て方法がない。 Pseudo-Intersection-over-Union(Pseudo-IoU): アンカーフリーなオブジェクト検出フレームワークに、より標準化され、正確な割り当てルールをもたらす単純なメトリックである。 本手法はベルやホイッスルを使わずに最新のアンカーフリー手法と同等の性能を実現する。
  論文  参考訳（メタデータ） (2021-04-29T02:48:47Z)
• Federated Learning for Malware Detection in IoT Devices [35.00570367521957]
  フェデレーション学習を使用してIoTデバイスに影響を与えるマルウェアを検出するフレームワークが紹介されている。 マルウェアの影響を受けながら、いくつかの実際のIoTデバイスのネットワークトラフィックをデータセットでモデリングするN-BaIoTが、提案したフレームワークの評価に使用されている。
  論文  参考訳（メタデータ） (2021-04-15T13:14:22Z)

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。