Fugu-MT 論文翻訳(概要): Hybrid Video Anomaly Detection for Anomalous Scenarios in Autonomous Driving

論文の概要: Hybrid Video Anomaly Detection for Anomalous Scenarios in Autonomous Driving

arxiv url: http://arxiv.org/abs/2406.06423v2
Date: Mon, 30 Sep 2024 22:58:18 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-02 16:31:52.912653
Title: Hybrid Video Anomaly Detection for Anomalous Scenarios in Autonomous Driving
Title（参考訳）: 自律運転における異常シナリオのハイブリッドビデオ異常検出
Authors: Daniel Bogdoll, Jan Imhof, Tim Joseph, Svetlana Pavlitska, J. Marius Zöllner,
Abstract要約: 本稿では,自律運転におけるHF$2$-VAD監視ビデオ異常検出手法のバリエーションについて述べる。車両の自我的視点から正規性の表現を学び、稀かつ臨界シナリオにおける画素ワイドな異常検出を評価する。
参考スコア（独自算出の注目度）: 16.94473342644408
License:
Abstract: In autonomous driving, the most challenging scenarios can only be detected within their temporal context. Most video anomaly detection approaches focus either on surveillance or traffic accidents, which are only a subfield of autonomous driving. We present HF$^2$-VAD$_{AD}$, a variation of the HF$^2$-VAD surveillance video anomaly detection method for autonomous driving. We learn a representation of normality from a vehicle's ego perspective and evaluate pixel-wise anomaly detections in rare and critical scenarios.
Abstract（参考訳）: 自律運転では、最も困難なシナリオは時間的文脈内でのみ検出できる。ほとんどのビデオ異常検出アプローチは、監視または交通事故に焦点を当てており、これは自動運転のサブフィールドに過ぎない。本稿では,HF$^2$-VAD$_{AD}$について述べる。車両の自我的視点から正規性の表現を学び、稀かつ臨界シナリオにおける画素ワイドな異常検出を評価する。

関連論文リスト

Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
論文参考訳（メタデータ） (2024-05-14T09:42:21Z)
ReMAV: Reward Modeling of Autonomous Vehicles for Finding Likely Failure Events [1.84926694477846]
本稿では、まず、オフライン軌道を用いて、既存の自動運転車の挙動を分析するブラックボックステストフレームワークを提案する。実験の結果,車両衝突,道路物体衝突,歩行者衝突,オフロードステアリング事故の発生率は35,23,48,50%増加した。
論文参考訳（メタデータ） (2023-08-28T13:09:00Z)
Detecting Socially Abnormal Highway Driving Behaviors via Recurrent Graph Attention Networks [4.526932450666445]
本研究は,ハイウェイビデオ監視システムによる軌跡から異常運転行動を検出することに焦点を当てる。本稿では,周囲の車上での走行動作を文脈的に把握できるリカレントグラフ注意ネットワークを用いたオートエンコーダを提案する。私たちのモデルは何千もの車で大きな高速道路にスケーラブルです。
論文参考訳（メタデータ） (2023-04-23T01:32:47Z)
DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
論文参考訳（メタデータ） (2023-04-03T17:37:00Z)
Driving Anomaly Detection Using Conditional Generative Adversarial Network [26.45460503638333]
本研究では,条件付き生成逆数ネットワーク(GAN)を用いた運転異常の定量化手法を提案する。この手法は、事前に観測された信号にモデルを条件付けすることで、今後の運転シナリオを予測する。結果は知覚的評価によって検証され、アノテータは高い異常スコアで検出されたビデオのリスクと親しみやすさを評価するよう依頼される。
論文参考訳（メタデータ） (2022-03-15T22:10:01Z)
CODA: A Real-World Road Corner Case Dataset for Object Detection in Autonomous Driving [117.87070488537334]
我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
論文参考訳（メタデータ） (2022-03-15T08:32:56Z)
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)
Neural Network Guided Evolutionary Fuzzing for Finding Traffic Violations of Autonomous Vehicles [15.702721819948623]
既存のテスト方法は、自動運転車のエンドツーエンドの動作をチェックするのに不十分である。本稿では,広く使用されているAVシミュレータのAPI文法を活用可能な,AutoFuzzと呼ばれるファジテスト手法を提案する。 AutoFuzzは、現実の事故に似た何百もの現実的な交通違反を効率的に見つける。
論文参考訳（メタデータ） (2021-09-13T17:05:43Z)
Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
論文参考訳（メタデータ） (2021-03-26T01:18:11Z)
Towards Autonomous Driving: a Multi-Modal 360$^{\circ}$ Perception Proposal [87.11988786121447]
本稿では,自動運転車の3次元物体検出と追跡のためのフレームワークを提案する。このソリューションは、新しいセンサ融合構成に基づいて、正確で信頼性の高い道路環境検出を提供する。自動運転車に搭載されたシステムの様々なテストは、提案された知覚スタックの適合性を評価することに成功している。
論文参考訳（メタデータ） (2020-08-21T20:36:21Z)
Physically Realizable Adversarial Examples for LiDAR Object Detection [72.0017682322147]
本稿では,LiDAR検出器を騙すために,汎用な3次元対向物体を生成する手法を提案する。特に,LiDAR検出器から車両を完全に隠蔽するために,車両の屋根上に対向物体を配置し,その成功率は80%であることを示した。これは、限られたトレーニングデータから見知らぬ条件下での、より安全な自動運転への一歩だ。
論文参考訳（メタデータ） (2020-04-01T16:11:04Z)

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。