論文の概要: AnoVox: A Benchmark for Multimodal Anomaly Detection in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2405.07865v2
• Date: Wed, 29 May 2024 09:45:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-30 22:42:17.540924
• Title: AnoVox: A Benchmark for Multimodal Anomaly Detection in Autonomous Driving
• Title（参考訳）: AnoVox: 自動運転におけるマルチモーダル異常検出ベンチマーク
• Authors: Daniel Bogdoll, Iramm Hamdard, Lukas Namgyu Rößler, Felix Geisler, Muhammed Bayram, Felix Wang, Jan Imhof, Miguel de Campos, Anushervon Tabarov, Yitian Yang, Hanno Gottschalk, J. Marius Zöllner,
• Abstract要約: AnoVoxは、コンテンツと時間的異常の両方を含む最初のベンチマークである。 正規性の形式的定義を提案し,従順なトレーニングデータセットを提供する。
• 参考スコア（独自算出の注目度）: 13.028666122214945
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The scale-up of autonomous vehicles depends heavily on their ability to deal with anomalies, such as rare objects on the road. In order to handle such situations, it is necessary to detect anomalies in the first place. Anomaly detection for autonomous driving has made great progress in the past years but suffers from poorly designed benchmarks with a strong focus on camera data. In this work, we propose AnoVox, the largest benchmark for ANOmaly detection in autonomous driving to date. AnoVox incorporates large-scale multimodal sensor data and spatial VOXel ground truth, allowing for the comparison of methods independent of their used sensor. We propose a formal definition of normality and provide a compliant training dataset. AnoVox is the first benchmark to contain both content and temporal anomalies.
• Abstract（参考訳）: 自動運転車のスケールアップは、道路上のまれな物体のような異常に対処する能力に大きく依存している。 このような状況に対処するためには、そもそも異常を検出する必要がある。 自動走行の異常検出はここ数年で大きな進歩を遂げてきたが、カメラデータに強く焦点を絞った設計の悪いベンチマークに悩まされている。 本研究では,自動運転におけるANOmaly検出のための最大のベンチマークであるAnoVoxを提案する。 AnoVoxは、大規模なマルチモーダルセンサーデータと空間的VOXel地上真実を組み込んでおり、使用済みセンサとは無関係な方法の比較を可能にしている。 正規性の形式的定義を提案し,従順なトレーニングデータセットを提供する。 AnoVoxは、コンテンツと時間的異常の両方を含む最初のベンチマークである。

関連論文リスト

• Conditioning Latent-Space Clusters for Real-World Anomaly Classification [11.633929083694388]
  我々は、様々なタイプの異常や大きさを含む都市シーンからの高解像度カメラデータに焦点を当てる。 変分オートエンコーダに基づいて、サンプルを正規データまたは異常として分類するために、その潜時空間を条件とする。
  論文  参考訳（メタデータ） (2023-09-18T11:26:48Z)
• Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
  自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。 潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。 適応過程を監督する信頼性のある信号はターゲット領域に存在しない。 この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-03-27T15:07:55Z)
• Pedestrian Detection: Domain Generalization, CNNs, Transformers and Beyond [82.37430109152383]
  その結果、現在の歩行者検知器は、クロスデータセット評価において、たとえ小さな領域シフトであっても処理が不十分であることがわかった。 限定的な一般化は、その方法と現在のデータ源の2つの主要な要因に帰着する。 本稿では、一般化を改善する進歩的な微調整戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-10T06:00:26Z)
• Anomaly Detection in Multi-Agent Trajectories for Automated Driving [2.5211566369910967]
  人間と同様、自動走行車は異常検出を行う。 私たちの革新は、動的エージェントの複数の軌道を共同で学習する能力です。
  論文  参考訳（メタデータ） (2021-10-15T08:07:31Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• SODA10M: Towards Large-Scale Object Detection Benchmark for Autonomous Driving [94.11868795445798]
  我々は,SODA10Mという名の自律走行用大規模物体検出ベンチマークをリリースし,1000万枚の未ラベル画像と6つの代表対象カテゴリをラベル付けした20K画像を含む。 多様性を向上させるために、画像は32の異なる都市で、1フレームあたり10秒毎に異なる気象条件、期間、場所のシーンで収集される。 我々は、既存の教師付き最先端検出モデル、一般的な自己監督型および半教師付きアプローチ、および将来のモデルの開発方法に関するいくつかの知見について、広範な実験と詳細な分析を行った。
  論文  参考訳（メタデータ） (2021-06-21T13:55:57Z)
• One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
  自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。 データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。 我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
  論文  参考訳（メタデータ） (2021-06-21T12:28:08Z)
• Time Series Anomaly Detection with label-free Model Selection [0.6303112417588329]
  ラベルのない時系列データに対するラベルなしモデル選択を用いた新しい異常検出アルゴリズムであるLaF-ADを提案する。 我々のアルゴリズムは容易に並列化可能であり、不条件データや季節データに対してより堅牢であり、多数の異常モデルに対して非常にスケーラブルである。
  論文  参考訳（メタデータ） (2021-06-11T00:21:06Z)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)
• Unsupervised Abnormality Detection Using Heterogeneous Autonomous Systems [0.3867363075280543]
  監視シナリオにおける異常検出は、新たな研究分野である。 本稿では,無人監視ドローンの異常度を推定する異種システムを提案する。 提案手法は, IEEE SP Cup-2020データセットで97.3%の精度で良好に動作する。
  論文  参考訳（メタデータ） (2020-06-05T23:09:58Z)

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。