論文の概要: Uncertainty-aware Semantic Mapping in Off-road Environments with Dempster-Shafer Theory of Evidence
- arxiv url: http://arxiv.org/abs/2405.06265v1
- Date: Fri, 10 May 2024 06:32:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-13 16:27:43.257996
- Title: Uncertainty-aware Semantic Mapping in Off-road Environments with Dempster-Shafer Theory of Evidence
- Title(参考訳): デンプスター・シェーファーエビデンス理論を用いたオフロード環境における不確実性を考慮したセマンティックマッピング
- Authors: Junyoung Kim, Junwon Seo,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 4.83420384410068
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semantic mapping with Bayesian Kernel Inference (BKI) has shown promise in providing a richer understanding of environments by effectively leveraging local spatial information. However, existing methods face challenges in constructing accurate semantic maps or reliable uncertainty maps in perceptually challenging environments due to unreliable semantic predictions. To address this issue, we propose an evidential semantic mapping framework, which integrates the evidential reasoning of Dempster-Shafer Theory of Evidence (DST) into the entire mapping pipeline by adopting Evidential Deep Learning (EDL) and Dempster's rule of combination. Additionally, the extended belief is devised to incorporate local spatial information based on their uncertainty during the mapping process. Comprehensive experiments across various off-road datasets demonstrate that our framework enhances the reliability of uncertainty maps, consistently outperforming existing methods in scenes with high perceptual uncertainties while showing semantic accuracy comparable to the best-performing semantic mapping techniques.
- Abstract(参考訳): Bayesian Kernel Inference (BKI) を用いたセマンティックマッピングは,局所的な空間情報を効果的に活用することで,環境のより豊かな理解を提供することを約束している。
しかし、既存の手法では、信頼できない意味予測のため、知覚的に困難な環境で正確な意味地図や確実な不確実性マップを構築する際に困難に直面している。
この問題に対処するために,Dempster-Shafer Theory of Evidence (DST) の明確な推論を,Evidential Deep Learning (EDL) とDempster's Rule of combinationを併用することで,全体のマッピングパイプラインに統合する,明確な意味マッピングフレームワークを提案する。
さらに,地図作成過程において,その不確実性に基づいて局所的な空間情報を組み込むことが目的である。
様々なオフロードデータセットを対象とした総合的な実験により、我々のフレームワークは不確実性マップの信頼性を高め、高い知覚的不確実性のあるシーンにおいて既存の手法を一貫して上回り、セマンティック・マッピング技術に匹敵するセマンティック・精度を示す。
関連論文リスト
- SurroundSDF: Implicit 3D Scene Understanding Based on Signed Distance Field [18.110716280650514]
そこで我々は,SurroundSDFを提案し,署名された距離場(SDF)と周辺画像からの連続知覚のための意味場を暗黙的に予測する。
具体的には、クエリベースのアプローチを導入し、Eikonalの定式化に制約されたSDFを用いて障害物の表面を正確に記述する。
正確なSDF基底事実が存在しないことを考慮し,サンドウィッチ・アイコン公式(Sandwich Eikonal formulation)と呼ばれる,SDFの弱教師付きパラダイムを提案する。
論文 参考訳(メタデータ) (2024-03-21T12:49:32Z) - Evidential Semantic Mapping in Off-road Environments with Uncertainty-aware Bayesian Kernel Inference [5.120567378386614]
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。
論文 参考訳(メタデータ) (2024-03-21T05:13:34Z) - Prototype-based Aleatoric Uncertainty Quantification for Cross-modal
Retrieval [139.21955930418815]
クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。
しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。
本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-29T09:41:19Z) - Unsupervised Landmark Discovery Using Consistency Guided Bottleneck [63.624186864522315]
画像再構成に基づくパイプラインに一貫性のあるボトルネックを導入する。
本稿では,画像間のランドマーク対応を形成することによって,擬似スーパービジョンを得る手法を提案する。
この一貫性は、アダプティブ・ヒートマップの生成において発見されたランドマークの不確かさを変調する。
論文 参考訳(メタデータ) (2023-09-19T10:57:53Z) - View Consistent Purification for Accurate Cross-View Localization [59.48131378244399]
本稿では,屋外ロボットのための微細な自己局在化手法を提案する。
提案手法は,既存のクロスビューローカライゼーション手法の限界に対処する。
これは、動的環境における知覚を増強する初めての疎視のみの手法である。
論文 参考訳(メタデータ) (2023-08-16T02:51:52Z) - ELFNet: Evidential Local-global Fusion for Stereo Matching [17.675146012208124]
ステレオマッチングのためのtextbfEvidential textbfLocal-global textbfFusion (ELF) フレームワークを提案する。
不確実性推定と信頼に値する頭部との信頼を意識した融合の両方を付与する。
論文 参考訳(メタデータ) (2023-08-01T15:51:04Z) - 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) - Non-Linear Spectral Dimensionality Reduction Under Uncertainty [107.01839211235583]
我々は、不確実性情報を活用し、いくつかの従来のアプローチを直接拡張する、NGEUと呼ばれる新しい次元削減フレームワークを提案する。
提案したNGEUの定式化は,大域的な閉形式解を示し,Radecherの複雑性に基づいて,基礎となる不確実性がフレームワークの一般化能力に理論的にどのように影響するかを分析する。
論文 参考訳(メタデータ) (2022-02-09T19:01:33Z) - 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) - Adaptive confidence thresholding for monocular depth estimation [83.06265443599521]
本稿では,自己教師付ステレオマッチング法から生成されたステレオ画像の擬似地上真実深度マップを利用する新しい手法を提案する。
擬似地底深度マップの信頼度マップを推定し、不正確な擬似地底深度マップによる性能劣化を緩和する。
実験結果から, 最先端の単分子深度推定法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2020-09-27T13:26:16Z) - Modal Uncertainty Estimation via Discrete Latent Representation [4.246061945756033]
本稿では,インプットとアウトプットの1対1マッピングを,忠実な不確実性対策とともに学習するディープラーニングフレームワークを提案する。
我々のフレームワークは、現在の最先端手法よりもはるかに正確な不確実性推定を実証している。
論文 参考訳(メタデータ) (2020-07-25T05:29:34Z)
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。