論文の概要: Gating Syn-to-Real Knowledge for Pedestrian Crossing Prediction in Safe Driving
- arxiv url: http://arxiv.org/abs/2409.06707v1
- Date: Sat, 24 Aug 2024 07:42:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-15 05:21:30.451592
- Title: Gating Syn-to-Real Knowledge for Pedestrian Crossing Prediction in Safe Driving
- Title（参考訳）: 安全運転における歩行者交叉予測のための総合現実知識の学習
- Authors: Jie Bai, Jianwu Fang, Yisheng Lv, Chen Lv, Jianru Xue, Zhengguo Li,
- Abstract要約: 我々はPCP(Gated-S2R-PCP)のためのGated Syn-to-Real Knowledge Transferアプローチを提案する。
我々は,スタイル伝達,分布近似,知識蒸留を含む3つのドメイン適応手法を含むフレームワークを設計する。
歩行者の位置,RGBフレーム,セマンティックイメージ,深度画像を含む3181配列の合成ベンチマークS2R-PCP-3181を構築した。
- 参考スコア（独自算出の注目度）: 47.23011067927916
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pedestrian Crossing Prediction (PCP) in driving scenes plays a critical role in ensuring the safe operation of intelligent vehicles. Due to the limited observations of pedestrian crossing behaviors in typical situations, recent studies have begun to leverage synthetic data with flexible variation to boost prediction performance, employing domain adaptation frameworks. However, different domain knowledge has distinct cross-domain distribution gaps, which necessitates suitable domain knowledge adaption ways for PCP tasks. In this work, we propose a Gated Syn-to-Real Knowledge transfer approach for PCP (Gated-S2R-PCP), which has two aims: 1) designing the suitable domain adaptation ways for different kinds of crossing-domain knowledge, and 2) transferring suitable knowledge for specific situations with gated knowledge fusion. Specifically, we design a framework that contains three domain adaption methods including style transfer, distribution approximation, and knowledge distillation for various information, such as visual, semantic, depth, location, etc. A Learnable Gated Unit (LGU) is employed to fuse suitable cross-domain knowledge to boost pedestrian crossing prediction. We construct a new synthetic benchmark S2R-PCP-3181 with 3181 sequences (489,740 frames) which contains the pedestrian locations, RGB frames, semantic images, and depth images. With the synthetic S2R-PCP-3181, we transfer the knowledge to two real challenging datasets of PIE and JAAD, and superior PCP performance is obtained to the state-of-the-art methods.
- Abstract（参考訳）: 運転シーンにおける歩行者交叉予測(PCP)は、インテリジェントな車両の安全な運転を保証する上で重要な役割を担っている。
典型的な状況下での歩行者の横断行動の観察が限られているため、近年では予測性能を高めるために柔軟な変動を伴う合成データの利用が始められ、ドメイン適応フレームワークが採用されている。
しかし、異なるドメイン知識は異なるドメイン間分配ギャップを持ち、PCPタスクに適したドメイン知識適応方法を必要とする。
本研究では,PCP(Gated-S2R-PCP)のためのGated Syn-to-Real Knowledge Transfer手法を提案する。
1)異なる種類のクロスドメイン知識に適したドメイン適応方法の設計、及び
2) 特定の状況に適切な知識を強制的な知識融合で伝達すること。
具体的には, 視覚, 意味, 深度, 位置などの様々な情報に対する, スタイル伝達, 分布近似, 知識蒸留を含む3つのドメイン適応手法を含むフレームワークを設計する。
学習可能なゲートユニット(LGU)は、横断歩道予測を促進するために適切なクロスドメイン知識を融合するために使用される。
歩行者の位置,RGBフレーム,セマンティックイメージ,深度画像を含む3181フレーム(489,740フレーム)の合成ベンチマークS2R-PCP-3181を構築した。
合成S2R-PCP-3181により、PIEとJAADの2つの真の挑戦的データセットに知識を伝達し、最先端の手法に優れたPCP性能を得る。
関連論文リスト
- LiOn-XA: Unsupervised Domain Adaptation via LiDAR-Only Cross-Modal Adversarial Training [61.26381389532653]
LiOn-XAは、LiDAR-Only Cross-Modal (X)学習と3D LiDARポイントクラウドセマンティックセマンティックセグメンテーションのためのAdversarial Trainingを組み合わせた、教師なしドメイン適応(UDA)アプローチである。
3つの現実的適応シナリオに関する実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2024-10-21T09:50:17Z) - Syn-to-Real Unsupervised Domain Adaptation for Indoor 3D Object Detection [50.448520056844885]
室内3次元物体検出における非教師なし領域適応のための新しいフレームワークを提案する。
合成データセット3D-FRONTから実世界のデータセットScanNetV2とSUN RGB-Dへの適応結果は、ソースオンリーベースラインよりも9.7%、9.1%のmAP25が顕著に改善されていることを示している。
論文 参考訳（メタデータ） (2024-06-17T08:18:41Z) - Versatile Navigation under Partial Observability via Value-guided Diffusion Policy [14.967107015417943]
部分観測可能条件下での2次元および3次元経路計画のための多目的拡散に基づくアプローチを提案する。
具体的には、価値誘導拡散政策は、まず様々な段階にわたって行動を予測する計画を生成する。
次に、状態推定を伴う微分可能なプランナーを用いて値関数を導出し、エージェントの探索とゴール探索の振る舞いを指示する。
論文 参考訳（メタデータ） (2024-04-01T19:52:08Z) - A Comprehensive Survey on Source-free Domain Adaptation [69.17622123344327]
ソースフリードメイン適応(SFDA)の研究は近年注目を集めている。
SFDAの最近の進歩を包括的に調査し、それらを統一的な分類体系に整理する。
一般的な3つの分類基準で30以上のSFDA法を比較検討した。
論文 参考訳（メタデータ） (2023-02-23T06:32:09Z) - Dynamic loss balancing and sequential enhancement for road-safety
assessment and traffic scene classification [0.0]
道路安全検査は、道路インフラに寄与する道路事故死者を減らすのに欠かせない手段である。
最近の研究は、道路安全属性としても知られる、慎重に選択されたリスク要因の観点から、道路安全評価を形式化している。
本稿では,2段階のニューラルネットワークによる認識を自動化することにより,退屈な人的労働への依存を減らすことを提案する。
論文 参考訳（メタデータ） (2022-11-08T11:10:07Z) - Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。
具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。
さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
論文 参考訳（メタデータ） (2022-03-09T21:08:47Z) - A cross-domain recommender system using deep coupled autoencoders [77.86290991564829]
クロスドメインレコメンデーションのために2つの新しい結合型オートエンコーダに基づくディープラーニング手法を提案する。
最初の方法は、ソースドメインとターゲットドメイン内のアイテムの固有表現を明らかにするために、一対のオートエンコーダを同時に学習することを目的としている。
第2の方法は,2つのオートエンコーダを用いてユーザとアイテム待ち行列を深く非線形に生成する,新たな共同正規化最適化問題に基づいて導出する。
論文 参考訳（メタデータ） (2021-12-08T15:14:26Z) - Plants Don't Walk on the Street: Common-Sense Reasoning for Reliable
Semantic Segmentation [0.7696728525672148]
我々は,交通シーンのオブジェクト間の関係を高レベルの抽象化で記述するために,部分的に設計され,部分的に学習されたルールセットを使用することを提案する。
これにより、低レベルのセンサー情報を消費する既存のディープニューラルネットワークを改善し、強化する。
論文 参考訳（メタデータ） (2021-04-19T12:51:06Z) - Distant Transfer Learning via Deep Random Walk [7.957823585750222]
本稿では,DeEp Random Walk basEd distaNt Transfer (DERWENT) 法を提案する。
データグラフ上のランダムウォーク手法によって同定されたシーケンスに基づいて、提案したDERWENTモデルは、類似した配列内の隣接データポイントを強制する。
いくつかのベンチマークデータセットに関する実証研究は、提案したDERWENTアルゴリズムが最先端の性能をもたらすことを示した。
論文 参考訳（メタデータ） (2020-06-13T11:31:24Z) - Unsupervised Domain Adaptation with Multiple Domain Discriminators and
Adaptive Self-Training [22.366638308792734]
Unsupervised Domain Adaptation (UDA)は、ソースドメインでトレーニングされたモデルの一般化能力を改善し、ラベル付きデータが使用できないターゲットドメインでうまく機能することを目的としている。
本稿では、合成データに基づいて訓練されたディープニューラルネットワークを、2つの異なるデータ分布間のドメインシフトに対処する実シーンに適用するアプローチを提案する。
論文 参考訳（メタデータ） (2020-04-27T11:48:03Z)
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。