論文の概要: Learning-Based Error Detection System for Advanced Vehicle Instrument Cluster Rendering

• arxiv url: http://arxiv.org/abs/2409.02647v1
• Date: Wed, 4 Sep 2024 12:23:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-05 18:53:31.371025
• Title: Learning-Based Error Detection System for Advanced Vehicle Instrument Cluster Rendering
• Title（参考訳）: 先端機器クラスタレンダリングのための学習型誤り検出システム
• Authors: Cornelius Bürkle, Fabian Oboril, Kay-Ulrich Scholl,
• Abstract要約: 本稿では,表示内容の正当性を検証するための新しいモニタリング手法を提案する。 学習に基づくアプローチを用いて、人間の運転者が正しく理解する「良い」テルタルと、正しく認識されない「破損した」テルタルを区別する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The automotive industry is currently expanding digital display options with every new model that comes onto the market. This entails not just an expansion in dimensions, resolution, and customization choices, but also the capability to employ novel display effects like overlays while assembling the content of the display cluster. Unfortunately, this raises the need for appropriate monitoring systems that can detect rendering errors and apply appropriate countermeasures when required. Classical solutions such as Cyclic Redundancy Checks (CRC) will soon be no longer viable as any sort of alpha blending, warping of scaling of content can cause unwanted CRC violations. Therefore, we propose a novel monitoring approach to verify correctness of displayed content using telltales (e.g. warning signs) as example. It uses a learning-based approach to separate "good" telltales, i.e. those that a human driver will understand correctly, and "corrupted" telltales, i.e. those that will not be visible or perceived correctly. As a result, it possesses inherent resilience against individual pixel errors and implicitly supports changing backgrounds, overlay or scaling effects. This is underlined by our experimental study where all "corrupted" test patterns were correctly classified, while no false alarms were triggered.
• Abstract（参考訳）: 自動車業界は現在、市場に出るあらゆる新しいモデルでデジタルディスプレイの選択肢を拡大している。 これは、次元、解像度、カスタマイズの選択肢の拡張だけでなく、ディスプレイクラスタのコンテンツを組み立てながらオーバーレイのような新しいディスプレイエフェクトを活用する能力も必要である。 残念ながら、これにより、レンダリングエラーを検出し、必要に応じて適切な対策を適用できる適切な監視システムの必要性が高まっている。 Cyclic Redundancy Checks (CRC)のような古典的なソリューションは、どんな種類のアルファブレンディングでも使えなくなるだろう。 そこで本研究では,表示内容の正当性を検証するための新しいモニタリング手法を提案する。 学習に基づくアプローチを用いて、人間の運転者が正しく理解する「良い」テルタルと、正しく認識されない「破損した」テルタルを区別する。 その結果、個々のピクセルエラーに対して固有のレジリエンスを持ち、背景の変更、オーバーレイ、スケーリング効果を暗黙的にサポートする。 テストパターンはすべて正しく分類されたが、誤報は発生しなかった。

関連論文リスト

• Cycle-Consistency Uncertainty Estimation for Visual Prompting based One-Shot Defect Segmentation [0.0]
  産業的欠陥検出は伝統的に、既知の欠陥型の固定データセットに基づいて訓練された教師付き学習モデルに依存している。 視覚的プロンプトの最近の進歩は、提供された視覚的手がかりに基づいて、モデルが新しいカテゴリを適応的に推論できるようにすることによってソリューションを提供する。 本稿では,サイクル整合性による視覚刺激過程の不確かさを推定する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-21T02:25:32Z)
• Augment and Criticize: Exploring Informative Samples for Semi-Supervised Monocular 3D Object Detection [64.65563422852568]
  我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。 我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。 3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
  論文  参考訳（メタデータ） (2023-03-20T16:28:15Z)
• SuperWarp: Supervised Learning and Warping on U-Net for Invariant Subvoxel-Precise Registration [14.819845435373397]
  近年、学習に基づく画像登録手法は、ターゲットのワープを直接監督することから離れ、代わりにセルフスーパービジョンを使用するようになった。 本稿では,教師付き登録手法の相対的失敗が,通常のU-Netの利用に原因があることを論じる。 変形予測から特徴抽出とマッチングを分離するU-Netに、単純だが重要な変更を導入する。
  論文  参考訳（メタデータ） (2022-05-15T23:17:32Z)
• Dense Out-of-Distribution Detection by Robust Learning on Synthetic Negative Data [1.7474352892977458]
  道路走行シーンとリモートセンシング画像における分布外異常の検出方法を示す。 我々は,カバレッジ指向学習の目的と異なる解像度でサンプルを生成する能力により,共同で訓練された正規化フローを活用する。 結果として得られたモデルは、道路走行シーンとリモートセンシング画像におけるアウト・オブ・ディストリビューション検出のためのベンチマークに、新たな技術状況を設定した。
  論文  参考訳（メタデータ） (2021-12-23T20:35:10Z)
• Tracking the risk of a deployed model and detecting harmful distribution shifts [105.27463615756733]
  実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。 我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
  論文  参考訳（メタデータ） (2021-10-12T17:21:41Z)
• Auditing AI models for Verified Deployment under Semantic Specifications [65.12401653917838]
  AuditAIは、解釈可能な形式検証とスケーラビリティのギャップを埋める。 AuditAIは、画素空間の摂動のみを用いた検証の限界に対処しながら、検証と認定トレーニングのための制御されたバリエーションを得られるかを示す。
  論文  参考訳（メタデータ） (2021-09-25T22:53:24Z)
• Reference-based Defect Detection Network [57.89399576743665]
  最初の問題はテクスチャシフトであり、これはトレーニングされた欠陥検出モデルが目に見えないテクスチャの影響を受けやすいことを意味する。 第2の問題は部分的な視覚的混乱であり、部分的な欠陥ボックスが完全なボックスと視覚的に類似していることを示している。 本稿では,これら2つの問題に対処する参照型欠陥検出ネットワーク(RDDN)を提案する。
  論文  参考訳（メタデータ） (2021-08-10T05:44:23Z)
• Black-Box Diagnosis and Calibration on GAN Intra-Mode Collapse: A Pilot Study [116.05514467222544]
  現在、GAN(Generative Adversarial Network)は驚くべきリアリズムの画像を生成することができる。 懸念の1つは、最先端のGANの学習分布が依然としてモード崩壊に悩まされているかどうかである。 本稿では,GANのモード内崩壊を診断し,新たなブラックボックス設定でそれを校正する方法について検討する。
  論文  参考訳（メタデータ） (2021-07-23T06:03:55Z)
• Discriminator-Free Generative Adversarial Attack [87.71852388383242]
  生成的ベースの敵攻撃は、この制限を取り除くことができる。 ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。 SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
  論文  参考訳（メタデータ） (2021-07-20T01:55:21Z)
• Detecting Anomalies in Semantic Segmentation with Prototypes [23.999211737485812]
  本稿では,プロトタイプ学習による異常セグメンテーションに対処することを提案する。 我々のアプローチは、過去の作品よりも大きな差で、新しい芸術の状態を達成している。
  論文  参考訳（メタデータ） (2021-06-01T13:22:33Z)

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。