論文の概要: Criteria for Uncertainty-based Corner Cases Detection in Instance Segmentation
- arxiv url: http://arxiv.org/abs/2404.11266v1
- Date: Wed, 17 Apr 2024 11:17:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-18 14:24:17.742663
- Title: Criteria for Uncertainty-based Corner Cases Detection in Instance Segmentation
- Title（参考訳）: インスタンスセグメンテーションにおける不確かさに基づくコーナケース検出の基準
- Authors: Florian Heidecker, Ahmad El-Khateeb, Maarten Bieshaar, Bernhard Sick,
- Abstract要約: 予測の不確実性に基づくコーナーケースの基準を示す。
我々はCOCOとNuImagesデータセットを用いて各コーナーケース基準を評価する。
また、各対象を正正値(TP)、正値(False Positive)、正値(False Positive)、正値(False Positive)に区別できるコーナーケース決定関数も提供する。
- 参考スコア（独自算出の注目度）: 2.9419365092937086
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The operating environment of a highly automated vehicle is subject to change, e.g., weather, illumination, or the scenario containing different objects and other participants in which the highly automated vehicle has to navigate its passengers safely. These situations must be considered when developing and validating highly automated driving functions. This already poses a problem for training and evaluating deep learning models because without the costly labeling of thousands of recordings, not knowing whether the data contains relevant, interesting data for further model training, it is a guess under which conditions and situations the model performs poorly. For this purpose, we present corner case criteria based on the predictive uncertainty. With our corner case criteria, we are able to detect uncertainty-based corner cases of an object instance segmentation model without relying on ground truth (GT) data. We evaluated each corner case criterion using the COCO and the NuImages dataset to analyze the potential of our approach. We also provide a corner case decision function that allows us to distinguish each object into True Positive (TP), localization and/or classification corner case, or False Positive (FP). We also present our first results of an iterative training cycle that outperforms the baseline and where the data added to the training dataset is selected based on the corner case decision function.
- Abstract（参考訳）: 高度自動化車両の運転環境は、例えば、天候、照明、または高度自動化車両が安全に乗客を航行しなければならない異なる物体やその他の参加者を含むシナリオによって変化する。
これらの状況は、高度に自動化された運転機能を開発し、検証する際に考慮する必要がある。
これは、深層学習モデルのトレーニングと評価にすでに問題がある、なぜなら、何千ものレコードを高価なラベル付けなしで、データがさらなるモデルトレーニングに関連があり興味深いデータを含んでいるかどうかを知らないからである。
この目的のために,予測の不確実性に基づくコーナーケース基準を提案する。
コーナーケースの基準により、グラウンド・真理(GT)データに頼ることなく、オブジェクト・インスタンス・セグメンテーション・モデルの不確実性に基づくコーナーケースを検出することができる。
我々はCOCOとNuImagesデータセットを用いて各コーナーケース基準を評価し,アプローチの可能性について分析した。
また、各対象を正正(TP)、正正(False Positive)、正極(False Positive)、正極(False Positive)に区別できるコーナーケース決定関数も提供する。
また、ベースラインを上回り、コーナーケース決定関数に基づいてトレーニングデータセットに付加されたデータが選択される反復トレーニングサイクルの最初の結果を提示する。
関連論文リスト
- 3CSim: CARLA Corner Case Simulation for Control Assessment in Autonomous Driving [0.44938884406455726]
このフレームワークは、標準ではない、まれで、認知的に困難なシナリオに焦点を当てることで、従来のADモデルトレーニングの制限に対処するために設計されている。
本手法では,状態異常,行動異常,エビデンスに基づく異常に分類されるコーナーケースの分類を導入する。
9つの事前定義された気象条件,タイミング,交通密度を含む,調整可能なパラメータを持つ32個のコーナーケースを実装した。
論文 参考訳（メタデータ） (2024-08-30T12:38:22Z) - SKADA-Bench: Benchmarking Unsupervised Domain Adaptation Methods with Realistic Validation [55.87169702896249]
Unsupervised Domain Adaptation (DA) は、ラベル付きソースドメインでトレーニングされたモデルを適用して、ラベルなしのターゲットドメインでデータ分散シフトをうまく実行する。
本稿では,DA手法の評価と,再重み付け,マッピング,部分空間アライメントなど,既存の浅層アルゴリズムの公平な評価を行うフレームワークを提案する。
本ベンチマークでは,現実的な検証の重要性を強調し,現実的なアプリケーションに対する実践的なガイダンスを提供する。
論文 参考訳（メタデータ） (2024-07-16T12:52:29Z) - Placing Objects in Context via Inpainting for Out-of-distribution Segmentation [59.00092709848619]
コンテキスト内のオブジェクトの配置(POC)は、イメージにオブジェクトを現実的に追加するためのパイプラインである。
POCは任意の数のオブジェクトで任意のデータセットを拡張するために使用することができる。
本稿では,POC 生成データに基づく様々な異常セグメンテーションデータセットを提示し,最近の最先端の異常チューニング手法の性能向上を実証する。
論文 参考訳（メタデータ） (2024-02-26T08:32:41Z) - CC-SGG: Corner Case Scenario Generation using Learned Scene Graphs [6.131026007721575]
コーナーケースシナリオは、自動運転車(AV)の安全性のテストと検証に不可欠なツールである
我々は、通常の運転シナリオをコーナーケースに変換するために、異種グラフニューラルネットワーク(HGNN)に基づく新しいアプローチを導入する。
我々のモデルは入力シーングラフからコーナーケースの生成を成功させ、テストデータセットで89.9%の精度で予測した。
論文 参考訳（メタデータ） (2023-09-18T14:59:11Z) - Explaining Cross-Domain Recognition with Interpretable Deep Classifier [100.63114424262234]
解釈可能なDeep(IDC)は、ターゲットサンプルの最も近いソースサンプルを、分類器が決定を下す証拠として学習する。
我々のIDCは、精度の劣化がほとんどなく、最適なリジェクションオプションの分類を効果的に調整する、より説明可能なモデルに導かれる。
論文 参考訳（メタデータ） (2022-11-15T15:58:56Z) - Data-SUITE: Data-centric identification of in-distribution incongruous
examples [81.21462458089142]
Data-SUITEは、ID(In-distriion)データの不連続領域を特定するためのデータ中心のフレームワークである。
我々は,Data-SUITEの性能保証とカバレッジ保証を実証的に検証する。
論文 参考訳（メタデータ） (2022-02-17T18:58:31Z) - 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) - Corner Case Generation and Analysis for Safety Assessment of Autonomous
Vehicles [3.673699859949693]
意思決定システムのための一貫した枠組みが提案されている。
背景車両の挙動を学習するために, 深部強化学習技術を適用した。
学習されたポリシーでは、BVはより積極的にCAVと対話し、より多くのコーナーケースをもたらす。
論文 参考訳（メタデータ） (2021-02-06T02:48:23Z) - Corner case data description and detection [3.4954795813842185]
コーナーケースと関連する検出は、安全およびセキュリティクリティカルなシステムを構築するためのAI品質保証に不可欠です。
1つは、パラメータ/構造を調整することによって、DLモデルの堅牢性をコーナーケースデータに高めることです。
もう1つは、モデルの再トレーニングと改善のための新しいコーナーケースを生成することです。
本稿では,特定の指標を用いたコーナーケースデータ検出を目的とした,単純で新しい研究を提案する。
論文 参考訳（メタデータ） (2021-01-07T11:26:20Z) - AutoAssign: Differentiable Label Assignment for Dense Object Detection [94.24431503373884]
Auto COCOは、物体検出のためのアンカーフリー検出器である。
外観認識は、完全に微分可能な重み付け機構によって実現される。
我々の最良のモデルでは52.1%のAPが達成され、既存の1段検出器よりも優れている。
論文 参考訳（メタデータ） (2020-07-07T14:32:21Z) - Efficient statistical validation with edge cases to evaluate Highly
Automated Vehicles [6.198523595657983]
自動運転車の大規模展開は、まだ解決されていない多くの安全上の課題にもかかわらず、差し迫っているようだ。
既存の標準は、検証が要求をカバーするテストケースのセットだけを必要とする決定論的プロセスに焦点を当てています。
本稿では, 自動生成テストケースを最悪のシナリオに偏り付け, システムの挙動の統計的特性を計算するための新しい手法を提案する。
論文 参考訳（メタデータ） (2020-03-04T04:35:22Z)
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。