論文の概要: Lightweight Uncertainty Quantification with Simplex Semantic Segmentation for Terrain Traversability

• arxiv url: http://arxiv.org/abs/2407.13392v1
• Date: Thu, 18 Jul 2024 11:00:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-19 15:40:38.479841
• Title: Lightweight Uncertainty Quantification with Simplex Semantic Segmentation for Terrain Traversability
• Title（参考訳）: 地層トラバーサビリティのための簡易セマンティックセマンティックセグメンテーションによる軽量不確かさの定量化
• Authors: Judith Dijk, Gertjan Burghouts, Kapil D. Katyal, Bryanna Y. Yeh, Craig T. Knuth, Ella Fokkinga, Tejaswi Kasarla, Pascal Mettes,
• Abstract要約: 本稿では,任意の事前学習画像分割モデルに接続可能な,シンプルで軽量なモジュールを提案する。 我々のモジュールは、それぞれのプロトタイプベクトルによるセグメント化クラスを最大限に分離することに基づいている。 地形分割におけるモジュールの有効性を実証する。
• 参考スコア（独自算出の注目度）: 12.765558639563649
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For navigation of robots, image segmentation is an important component to determining a terrain's traversability. For safe and efficient navigation, it is key to assess the uncertainty of the predicted segments. Current uncertainty estimation methods are limited to a specific choice of model architecture, are costly in terms of training time, require large memory for inference (ensembles), or involve complex model architectures (energy-based, hyperbolic, masking). In this paper, we propose a simple, light-weight module that can be connected to any pretrained image segmentation model, regardless of its architecture, with marginal additional computation cost because it reuses the model's backbone. Our module is based on maximum separation of the segmentation classes by respective prototype vectors. This optimizes the probability that out-of-distribution segments are projected in between the prototype vectors. The uncertainty value in the classification label is obtained from the distance to the nearest prototype. We demonstrate the effectiveness of our module for terrain segmentation.
• Abstract（参考訳）: ロボットのナビゲーションにおいて、画像セグメンテーションは地形の移動可能性を決定する重要な要素である。 安全かつ効率的なナビゲーションのためには、予測されたセグメントの不確実性を評価することが重要である。 現在の不確実性推定手法は、特定のモデルアーキテクチャの選択に限られており、トレーニング時間や推論のための大きなメモリを必要とする(アンサンブル)、複雑なモデルアーキテクチャ(エネルギーベース、双曲型、マスキング)。 本稿では,アーキテクチャによらず,任意の事前訓練された画像分割モデルに接続可能な,シンプルな軽量モジュールを提案する。 我々のモジュールは、それぞれのプロトタイプベクトルによるセグメント化クラスを最大限に分離することに基づいている。 これは、分布外セグメントがプロトタイプベクトル間で投影される確率を最適化する。 分類ラベル内の不確かさ値は、最も近いプロトタイプまでの距離から得られる。 地形分割におけるモジュールの有効性を実証する。

関連論文リスト

• Hierarchical Uncertainty Estimation for Medical Image Segmentation Networks [1.9564356751775307]
  不確実性は、モデルトレーニングに使用される画像(ノイズ)と手動アノテーション(ヒューマンエラーとバイアス)の両方に存在する。 本稿では,複数のレベルで不確かさを推定する簡易かつ効果的な手法を提案する。 U-netのようなディープラーニングセグメンテーションネットワークは,高いセグメンテーション性能を実現することができることを示す。
  論文  参考訳（メタデータ） (2023-08-16T16:09:23Z)
• SlimSeg: Slimmable Semantic Segmentation with Boundary Supervision [54.16430358203348]
  本稿では,単純なスリム化可能なセマンティックセマンティックセマンティクス(SlimSeg)法を提案する。 提案するSlimSegは,様々な主流ネットワークを用いて,計算コストの動的調整と性能向上を実現するフレキシブルなモデルを生成することができることを示す。
  論文  参考訳（メタデータ） (2022-07-13T14:41:05Z)
• Rethinking Semantic Segmentation: A Prototype View [126.59244185849838]
  学習不可能なプロトタイプをベースとした非パラメトリックセマンティックセマンティックセマンティクスモデルを提案する。 我々のフレームワークは、いくつかのデータセットに対して魅力的な結果をもたらす。 この作業が、現在のデファクトセマンティックセグメンテーションモデル設計を再考することを期待しています。
  論文  参考訳（メタデータ） (2022-03-28T21:15:32Z)
• BoundarySqueeze: Image Segmentation as Boundary Squeezing [104.43159799559464]
  本研究では,オブジェクトとシーンの微細な高画質画像分割のための新しい手法を提案する。 形態素画像処理技術による拡張と浸食に着想を得て,画素レベルのセグメンテーション問題をスクイーズ対象境界として扱う。 提案手法は,COCO,Cityscapesのインスタンス・セグメンテーション・セグメンテーション・セグメンテーションにおいて大きく向上し,同一条件下での精度・速度ともに従来のPointRendよりも優れていた。
  論文  参考訳（メタデータ） (2021-05-25T04:58:51Z)
• Scaling Semantic Segmentation Beyond 1K Classes on a Single GPU [87.48110331544885]
  既存のセマンティックセグメンテーションモデルのトレーニングとスケールアップのための新しいトレーニング手法を提案する。 我々は、LVISとCOCOアノテーションからブートストラップした1284クラスのデータセットに対するアプローチの明確な利点を示し、DeeplabV3+モデルの3倍のmIoUを実現した。
  論文  参考訳（メタデータ） (2020-12-14T13:12:38Z)
• Towards Efficient Scene Understanding via Squeeze Reasoning [71.1139549949694]
  我々はSqueeze Reasoningと呼ばれる新しいフレームワークを提案する。 空間地図上の情報を伝播するのではなく、まず入力特徴をチャネルワイドなグローバルベクトルに絞ることを学ぶ。 提案手法はエンドツーエンドのトレーニングブロックとしてモジュール化可能であり,既存のネットワークに簡単に接続可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-06T12:17:01Z)
• Spatial Pyramid Based Graph Reasoning for Semantic Segmentation [67.47159595239798]
  セマンティックセグメンテーションタスクにグラフ畳み込みを適用し、改良されたラプラシアンを提案する。 グラフ推論は、空間ピラミッドとして構成された元の特徴空間で直接実行される。 計算とメモリのオーバーヘッドの利点で同等のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2020-03-23T12:28:07Z)

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。