論文の概要: Fourier Domain Adaptation for Traffic Light Detection in Adverse Weather

• arxiv url: http://arxiv.org/abs/2411.07901v2
• Date: Sat, 19 Jul 2025 16:51:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 18:47:38.790312
• Title: Fourier Domain Adaptation for Traffic Light Detection in Adverse Weather
• Title（参考訳）: 逆気象における交通光検出のためのフーリエ領域適応
• Authors: Ishaan Gakhar, Aryesh Guha, Aryaman Gupta, Amit Agarwal, Ujjwal Verma,
• Abstract要約: 悪天候下での交通光検出は、ADASシステムでは未発見のままである。 本稿では、アーキテクチャの変更なしにデータ修正をトレーニングすることのみを必要とするフーリエドメイン適応(FDA)を提案する。 FDAは、ソースとターゲットドメイン間のドメインギャップを最小化し、悪天候下で信頼性の高いパフォーマンスのためのデータセットを作成する。
• 参考スコア（独自算出の注目度）: 1.1411980034550504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic light detection under adverse weather conditions remains largely unexplored in ADAS systems, with existing approaches relying on complex deep learning methods that introduce significant computational overheads during training and deployment. This paper proposes Fourier Domain Adaptation (FDA), which requires only training data modifications without architectural changes, enabling effective adaptation to rainy and foggy conditions. FDA minimizes the domain gap between source and target domains, creating a dataset for reliable performance under adverse weather. The source domain merged LISA and S2TLD datasets, processed to address class imbalance. Established methods simulated rainy and foggy scenarios to form the target domain. Semi-Supervised Learning (SSL) techniques were explored to leverage data more effectively, addressing the shortage of comprehensive datasets and poor performance of state-of-the-art models under hostile weather. Experimental results show FDA-augmented models outperform baseline models across mAP50, mAP50-95, Precision, and Recall metrics. YOLOv8 achieved a 12.25% average increase across all metrics. Average improvements of 7.69% in Precision, 19.91% in Recall, 15.85% in mAP50, and 23.81% in mAP50-95 were observed across all models, demonstrating FDA's effectiveness in mitigating adverse weather impact. These improvements enable real-world applications requiring reliable performance in challenging environmental conditions.
• Abstract（参考訳）: 悪天候下での交通信号の検出は、ADASシステムでは未解明のままであり、既存のアプローチは、訓練や展開中にかなりの計算オーバーヘッドをもたらす複雑な深層学習手法に依存している。 本稿では,建築上の変化を伴わずにデータ修正を訓練することのみを必要とするフーリエ領域適応(FDA)を提案し,降雨条件や霧条件への効果的な適応を可能にする。 FDAは、ソースとターゲットドメイン間のドメインギャップを最小化し、悪天候下で信頼性の高いパフォーマンスのためのデータセットを作成する。 ソースドメインはLISAとS2TLDデータセットをマージし、クラス不均衡に対処するために処理された。 雨と霧のシナリオをシミュレートして対象領域を形成する方法が確立された。 包括的データセットの不足と、敵対的な天候下での最先端モデルの低パフォーマンスに対処するため、データをより効果的に活用するために、半監視学習(SSL)技術が検討された。 実験の結果、FDAで強化されたモデルは、mAP50、mAP50-95、Precision、Recallのメトリクスでベースラインモデルを上回った。 YOLOv8はすべてのメトリクスで平均12.25%のアップを達成した。 精度が7.69%、リコールが19.91%、mAP50が15.85%、mAP50-95が23.81%の改善がすべてのモデルで観測された。 これらの改善により、挑戦的な環境条件において信頼性の高い性能を必要とする現実世界のアプリケーションが可能になる。

関連論文リスト

• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• DONOD: Robust and Generalizable Instruction Fine-Tuning for LLMs via Model-Intrinsic Dataset Pruning [22.704995231753397]
  大規模言語モデル(LLM)のアドホック命令の微調整は、ドメイン固有の適応に広く採用されている。 本研究では,軽量なモデル固有データ解析手法であるDONODを提案する。 完全なデータセットの70%をフィルタリングすることで、ターゲットドメインの精度を14.90%、クロスドメインの精度を5.67%向上させる。
  論文  参考訳（メタデータ） (2025-04-21T02:25:03Z)
• Update hydrological states or meteorological forcings? Comparing data assimilation methods for differentiable hydrologic models [0.923607423080658]
  データ同化(DA)は、より正確な予測のために、ほぼリアルタイムな観測によって水理モデルの内部状態を更新することを可能にする。 そこで我々は,降水データのみに対する調整器の最適化を含む,微分可能なモデルに対する変分DA法を開発した。 我々のDAフレームワークは、体系的な訓練データを必要としないため、河川網全体のDAスキームとして機能する可能性がある。
  論文  参考訳（メタデータ） (2025-02-23T05:08:05Z)
• Adaptive Rank Allocation for Federated Parameter-Efficient Fine-Tuning of Language Models [40.69348434971122]
  本稿では,パラメータ効率の高い言語モデルの微調整のための新しい適応ランクアロケーションフレームワークであるFedARAを提案する。 FedARAは、ヘテロジニアスなデータの下で、さまざまなデータセットやモデルに対して平均6.95%から8.49%のベースラインを一貫して上回っている。 各種エッジデバイスの実験では、それぞれ48.90%、46.95%のトレーニング時間とエネルギー消費が大幅に減少している。
  論文  参考訳（メタデータ） (2025-01-24T11:19:07Z)
• Early Diagnosis of Alzheimer's Diseases and Dementia from MRI Images Using an Ensemble Deep Learning [0.7510165488300369]
  アルツハイマー病(英語: Alzheimer's Disease, AD)は、認知障害や認知失調を引き起こす進行性神経疾患である。 本研究では,ADの初期段階を正確に検出するために,IR-BRAINNETとModified-DEMNETの2つのCNNを提案する。 また、CNN間のばらつきを低減し、AD検出を向上させるために出力を平均化するアンサンブルモデルも導入した。
  論文  参考訳（メタデータ） (2024-12-07T14:27:41Z)
• ADAF: An Artificial Intelligence Data Assimilation Framework for Weather Forecasting [8.48006222985557]
  本稿では,人工知能に基づくデータ同化フレームワーク(ADAF)を導入し,高品質なキロスケール分析を実現する。 大陸性米国(CONUS)の4つの準曲面変数に対してADAFを実装した。 その結果,ADAFは高分解能高速リフレッシュデータ同化システム(HRRRDAS)を16%から33%の精度で超えた。
  論文  参考訳（メタデータ） (2024-11-25T14:46:17Z)
• Unveiling the Superior Paradigm: A Comparative Study of Source-Free Domain Adaptation and Unsupervised Domain Adaptation [52.36436121884317]
  Source-Free Domain Adaptation (SFDA) は、現実のシナリオにおいて、Unsupervised Domain Adaptation (UDA) よりも一般的に優れていることを示す。 SFDAは、時間効率、ストレージ要件、対象とする学習目標、負の移動リスクの低減、過度な適合に対する堅牢性の向上といった利点を提供している。 利用可能なソースデータをマルチSFDA手法に効果的に統合する新しい重み推定法を提案する。
  論文  参考訳（メタデータ） (2024-11-24T13:49:29Z)
• WARLearn: Weather-Adaptive Representation Learning [4.5035146256368455]
  WARLearnは、挑戦的かつ敵対的な気象条件下で適応的な表現学習のために設計された新しいフレームワークである。 本手法は霧と低照度を特徴とするシナリオにおいて顕著な性能向上を示す。
  論文  参考訳（メタデータ） (2024-11-21T13:00:30Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• REFINE on Scarce Data: Retrieval Enhancement through Fine-Tuning via Model Fusion of Embedding Models [14.023953508288628]
  検索拡張生成(RAG)パイプラインは、質問応答(QA)などのタスクで一般的に使用される。 本稿では,利用可能な文書から合成データを生成する新しい手法であるREFINEを提案する。
  論文  参考訳（メタデータ） (2024-10-16T08:43:39Z)
• Improving Out-of-Distribution Data Handling and Corruption Resistance via Modern Hopfield Networks [0.0]
  本研究は,コンピュータビジョンモデルによるアウト・オブ・ディストリビューションデータ処理能力の向上における,Modern Hopfield Networks (MHN) の可能性を探るものである。 我々は,MHNをベースラインモデルに統合し,ロバスト性を高めることを提案する。 本研究は,MNIST-Cデータセットのモデル性能を一貫して向上することを示す。
  論文  参考訳（メタデータ） (2024-08-21T03:26:16Z)
• PUMA: margin-based data pruning [51.12154122266251]
  モデル分類境界からの距離(すなわちマージン)に基づいて、いくつかのトレーニングサンプルを除去するデータプルーニングに焦点を当てる。 我々は,DeepFoolを用いてマージンを算出する新しいデータプルーニング戦略PUMAを提案する。 PUMAは,現状の最先端手法であるロバスト性の上に利用でき,既存のデータプルーニング戦略と異なり,モデル性能を著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-05-10T08:02:20Z)
• RandMSAugment: A Mixed-Sample Augmentation for Limited-Data Scenarios [3.018656336329545]
  我々はRandMSAugmentと呼ばれる新しい拡張手法を導入し、既存の手法の相補的な強みを統合する。 RandMSAugmentは、CIFAR-100、STL-10、Tiny-Imagenetの競合よりはるかに優れている。
  論文  参考訳（メタデータ） (2023-11-25T18:07:20Z)
• A Hybrid Deep Learning-based Approach for Optimal Genotype by Environment Selection [8.084449311613517]
  我々は,13年間に159か所をカバーし,93,028のトレーニング記録からなるデータセットを用いて10,337回のテスト記録の収量予測を行った(2003-2015)。 このデータセットには、5,838の異なる遺伝子型と214日間の生育シーズンの日々の気象データが含まれており、包括的な分析を可能にしている。 我々は、CNNと完全接続ネットワークを組み合わせたCNN-DNNモデルと、気象変数にLSTM層を追加するCNN-LSTM-DNNモデルという、2つの新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2023-09-22T17:31:47Z)
• Better Practices for Domain Adaptation [62.70267990659201]
  ドメイン適応(DA)は、ラベルを使わずに、モデルを配置データに適用するためのフレームワークを提供することを目的としている。 DAの明確な検証プロトコルは、文献の悪い実践につながっている。 ドメイン適応手法の3つの分野にまたがる課題を示す。
  論文  参考訳（メタデータ） (2023-09-07T17:44:18Z)
• An Empirical Study of Large-Scale Data-Driven Full Waveform Inversion [33.19446101601603]
  本稿では,ビッグデータがディープラーニングモデルに与える影響について検討し,FWI(Full Waveform Inversion)問題の解法を提案する。 我々は470万組の地震データと速度マップを含むOpenFWIの10個の2次元サブセットの組み合わせでFWIモデルを訓練し、評価する。 実験の結果,MAEは平均13.03%,MSEは7.19%,SSIMは1.87%の改善が得られた。
  論文  参考訳（メタデータ） (2023-07-28T08:32:11Z)
• Model Pruning Enables Localized and Efficient Federated Learning for Yield Forecasting and Data Sharing [6.4742178124596625]
  フェデレートラーニング(FL)は、アグリフード分野におけるモデルトレーニングに対する分散的なアプローチを示す。 本稿では,クライアントモデル上でのネットワークプルーニングを利用して,プルーニングされたモデルを集約する新しい技術ソリューションを提案する。 我々は大豆収量予測データセットを用いて実験を行い,FedAvgと比較して推定性能が15.5%から20%向上することが確認された。
  論文  参考訳（メタデータ） (2023-04-19T17:53:43Z)
• Chasing Fairness Under Distribution Shift: A Model Weight Perturbation Approach [72.19525160912943]
  まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。 次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。 これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
  論文  参考訳（メタデータ） (2023-03-06T17:19:23Z)
• Differentially Private Diffusion Models Generate Useful Synthetic Images [53.94025967603649]
  近年の研究では、いくつかの拡散モデルの出力がトレーニングデータのプライバシを保持していないことが報告されている。 CIFAR-10 と Camelyon17 のSOTA 結果を得た。 以上の結果から,差分プライバシーで微調整された拡散モデルが有用かつ実証可能なプライベートな合成データを生成できることが示唆された。
  論文  参考訳（メタデータ） (2023-02-27T15:02:04Z)
• Back to the Source: Diffusion-Driven Test-Time Adaptation [77.4229736436935]
  テスト時間適応はテスト入力を利用し、シフトしたターゲットデータ上でテストした場合、ソースデータに基づいてトレーニングされたモデルの精度を向上させる。 代わりに、生成拡散モデルを用いて、すべてのテスト入力をソース領域に向けて投影することで、ターゲットデータを更新する。
  論文  参考訳（メタデータ） (2022-07-07T17:14:10Z)
• Self-Supervised Pre-Training for Transformer-Based Person Re-Identification [54.55281692768765]
  トランスフォーマーに基づく教師付き事前訓練は、人物再識別(ReID)において大きなパフォーマンスを達成する ImageNetとReIDデータセットのドメインギャップのため、通常、パフォーマンスを高めるために、より大きなトレーニング済みデータセットが必要です。 この研究は、データとモデル構造の観点から、事前トレーニングデータセットとReIDデータセットのギャップを軽減することを目的としている。
  論文  参考訳（メタデータ） (2021-11-23T18:59:08Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• SS-SFDA : Self-Supervised Source-Free Domain Adaptation for Road Segmentation in Hazardous Environments [54.22535063244038]
  本研究では,雨や霧などの悪天候条件下での道路の非監督的区画化に対する新しいアプローチを提案する。 これには、自己教師付き学習を用いたソースフリードメイン適応(SFDA)のための新しいアルゴリズムが含まれている。 実際の悪天候条件と合成悪天候条件に対応するデータセットを6ドルで評価した。
  論文  参考訳（メタデータ） (2020-11-27T09:19:03Z)

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。