論文の概要: ReliOcc: Towards Reliable Semantic Occupancy Prediction via Uncertainty Learning

• arxiv url: http://arxiv.org/abs/2409.18026v1
• Date: Thu, 26 Sep 2024 16:33:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-27 22:26:48.141085
• Title: ReliOcc: Towards Reliable Semantic Occupancy Prediction via Uncertainty Learning
• Title（参考訳）: ReliOcc:不確実性学習による信頼性の高いセマンティック職業予測を目指して
• Authors: Song Wang, Zhongdao Wang, Jiawei Yu, Wentong Li, Bailan Feng, Junbo Chen, Jianke Zhu,
• Abstract要約: 視覚中心のセマンティック占有予測は、自律運転において重要な役割を果たす。 カメラからのセマンティック占有率を予測するための信頼性を探求する研究は、まだ少ない。 本稿では,カメラによる占有ネットワークの信頼性向上を目的としたReliOccを提案する。
• 参考スコア（独自算出の注目度）: 26.369237406972577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-centric semantic occupancy prediction plays a crucial role in autonomous driving, which requires accurate and reliable predictions from low-cost sensors. Although having notably narrowed the accuracy gap with LiDAR, there is still few research effort to explore the reliability in predicting semantic occupancy from camera. In this paper, we conduct a comprehensive evaluation of existing semantic occupancy prediction models from a reliability perspective for the first time. Despite the gradual alignment of camera-based models with LiDAR in term of accuracy, a significant reliability gap persists. To addresses this concern, we propose ReliOcc, a method designed to enhance the reliability of camera-based occupancy networks. ReliOcc provides a plug-and-play scheme for existing models, which integrates hybrid uncertainty from individual voxels with sampling-based noise and relative voxels through mix-up learning. Besides, an uncertainty-aware calibration strategy is devised to further enhance model reliability in offline mode. Extensive experiments under various settings demonstrate that ReliOcc significantly enhances model reliability while maintaining the accuracy of both geometric and semantic predictions. Importantly, our proposed approach exhibits robustness to sensor failures and out of domain noises during inference.
• Abstract（参考訳）: 視覚中心のセマンティック占有予測は、低コストセンサーからの正確で信頼性の高い予測を必要とする自動運転において重要な役割を果たす。 LiDARとの精度ギャップを著しく狭めたが、カメラのセマンティック占有率を予測するための信頼性を探る研究は、まだ少ない。 本稿では,信頼性の観点から,既存のセマンティック占有予測モデルを総合的に評価する。 精度の観点からは、カメラベースモデルとLiDARとの段階的なアライメントにもかかわらず、重大な信頼性のギャップは持続する。 この問題に対処するため,カメラによる占有ネットワークの信頼性向上を目的としたReliOccを提案する。 ReliOccは既存のモデルのプラグイン・アンド・プレイ方式を提供しており、個々のボクセルからのハイブリッド不確実性とサンプリングベースノイズと相対ボクセルを混合学習によって統合する。 さらに、オフラインモードにおけるモデルの信頼性をさらに高めるために、不確実性を考慮した校正戦略が考案された。 様々な条件下での大規模な実験により、ReliOccは幾何予測と意味予測の両方の精度を維持しながらモデルの信頼性を著しく向上することが示された。 重要なこととして,本提案手法は,センサ故障に対する堅牢性や,推論中のドメインノイズの欠如を示す。

関連論文リスト

• Reliable Probabilistic Human Trajectory Prediction for Autonomous Applications [1.8294777056635267]
  車両システムは信頼性、正確、高速、資源効率、スケーラブル、低遅延軌道予測を必要とする。 本稿では,これらの要求に対処する軽量な手法として,Long Short-Term Memory と Mixture Density Networks を提案する。 自動運転車アプリケーションにおける人体軌道予測の必須要件について考察し,交通関連データセットを用いて本手法の性能を実証する。
  論文  参考訳（メタデータ） (2024-10-09T14:08:39Z)
• Selective Learning: Towards Robust Calibration with Dynamic Regularization [79.92633587914659]
  ディープラーニングにおけるミススキャリブレーションとは、予測された信頼とパフォーマンスの間には相違がある、という意味である。 トレーニング中に何を学ぶべきかを学ぶことを目的とした動的正規化(DReg)を導入し、信頼度調整のトレードオフを回避する。
  論文  参考訳（メタデータ） (2024-02-13T11:25:20Z)
• Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
  単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。 本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。 新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
  論文  参考訳（メタデータ） (2023-07-19T12:11:15Z)
• Great Models Think Alike: Improving Model Reliability via Inter-Model Latent Agreement [27.067551390457567]
  基礎モデルの潜伏空間と潜伏空間との一致を測ることでモデルの信頼性を推定する。 この不整合問題を克服するために、潜伏空間間での周縁的合意尺度を設計する。 ホック後のモデルにおいて, 近所の合意を予測的信頼度に融合させることで, 信頼性が著しく向上することを示す。
  論文  参考訳（メタデータ） (2023-05-02T15:02:17Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• Lightweight, Uncertainty-Aware Conformalized Visual Odometry [2.429910016019183]
  データ駆動型ビジュアルオドメトリー(VO)は、自律エッジロボティクスにとって重要なサブルーチンである。 昆虫スケールドローンや外科ロボットのような最先端ロボットデバイスは、VOの予測の不確実性を推定する計算的に効率的な枠組みを欠いている。 本稿では,共形推論(CI)を利用してVOの不確実な帯域を抽出する,新しい,軽量で統計的に堅牢なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-03T20:37:55Z)
• Reliable Federated Disentangling Network for Non-IID Domain Feature [62.73267904147804]
  本稿では、RFedDisと呼ばれる新しい信頼性のあるフェデレーション・ディエンタングリング・ネットワークを提案する。 我々の知る限り、提案するRFedDisは、明らかな不確実性と特徴の混在に基づくFLアプローチを開発する最初の試みである。 提案するRFedDisは,他の最先端FL手法と比較して信頼性の高い優れた性能を提供する。
  論文  参考訳（メタデータ） (2023-01-30T11:46:34Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• Is my Driver Observation Model Overconfident? Input-guided Calibration Networks for Reliable and Interpretable Confidence Estimates [23.449073032842076]
  運転観察モデルは完璧な条件下で展開されることは滅多にない。 生のニューラルネットワークベースのアプローチは、予測品質を大幅に過大評価する傾向がある。 本稿では,CARing(Callibrated Action Recognition with Input Guidance)という,ビデオ表現による信頼度向上学習のためのニューラルネットワークを活用した新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-04-10T12:43:58Z)
• Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
  強靭性と精度のトレードオフは、敵文学において広く研究されている。 局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。 定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
  論文  参考訳（メタデータ） (2022-02-21T10:36:09Z)

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。