論文の概要: Physically Interpretable Probabilistic Domain Characterization

• arxiv url: http://arxiv.org/abs/2411.14827v1
• Date: Fri, 22 Nov 2024 10:07:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-25 15:04:31.315103
• Title: Physically Interpretable Probabilistic Domain Characterization
• Title（参考訳）: 物理的に解釈可能な確率的ドメインキャラクタリゼーション
• Authors: Anaïs Halin, Sébastien Piérard, Renaud Vandeghen, Benoît Gérin, Maxime Zanella, Martin Colot, Jan Held, Anthony Cioppa, Emmanuel Jean, Gianluca Bontempi, Saïd Mahmoudi, Benoît Macq, Marc Van Droogenbroeck,
• Abstract要約: 本稿では,領域を確率分布として特徴付ける手法を提案する。 特に,車載カメラで撮影した画像から,異なる気象条件の確率を予測する手法を開発した。 提案手法を検証するため,自動運転車のコンテキスト内で実験を行う。
• 参考スコア（独自算出の注目度）: 8.172011940111874
• License:
• Abstract: Characterizing domains is essential for models analyzing dynamic environments, as it allows them to adapt to evolving conditions or to hand the task over to backup systems when facing conditions outside their operational domain. Existing solutions typically characterize a domain by solving a regression or classification problem, which limits their applicability as they only provide a limited summarized description of the domain. In this paper, we present a novel approach to domain characterization by characterizing domains as probability distributions. Particularly, we develop a method to predict the likelihood of different weather conditions from images captured by vehicle-mounted cameras by estimating distributions of physical parameters using normalizing flows. To validate our proposed approach, we conduct experiments within the context of autonomous vehicles, focusing on predicting the distribution of weather parameters to characterize the operational domain. This domain is characterized by physical parameters (absolute characterization) and arbitrarily predefined domains (relative characterization). Finally, we evaluate whether a system can safely operate in a target domain by comparing it to multiple source domains where safety has already been established. This approach holds significant potential, as accurate weather prediction and effective domain adaptation are crucial for autonomous systems to adjust to dynamic environmental conditions.
• Abstract（参考訳）: ドメインのキャラクタリゼーションは、動的環境を解析するモデルにとって不可欠であり、進化している条件に適応したり、運用ドメイン外の条件に直面した時にタスクをバックアップシステムに渡すことができる。 既存のソリューションは通常、回帰問題や分類問題を解くことでドメインを特徴づけ、ドメインの限定的な記述のみを提供するため、適用性を制限する。 本稿では,領域を確率分布として特徴付ける手法を提案する。 特に,車載カメラが捉えた画像から,正規化フローを用いて物理パラメータの分布を推定することにより,異なる気象条件の確率を予測する手法を開発した。 提案手法を検証するために,我々は,運転領域を特徴付けるための気象パラメータの分布予測に焦点をあて,自動運転車のコンテキスト内で実験を行う。 この領域は物理的パラメータ(絶対的特徴付け)と任意に定義された領域(相対的特徴付け)によって特徴づけられる。 最後に、すでに安全が確立されている複数のソースドメインと比較することにより、システムがターゲットドメインで安全に動作できるかどうかを評価する。 正確な天気予報と効果的な領域適応は、自律システムが動的環境条件に適応するために重要であるため、このアプローチは大きな可能性を秘めている。

関連論文リスト

• Robust Unsupervised Domain Adaptation by Retaining Confident Entropy via Edge Concatenation [7.953644697658355]
  教師なしのドメイン適応は、セマンティックセグメンテーションネットワークをトレーニングするための広範なピクセルレベルのアノテーションの必要性を軽減することができる。 本稿では,エントロピーに基づく対向ネットワーク内における内部情報と外部情報の相乗効果を利用した新しいドメイン適応手法を提案する。 我々は、より効果的なセグメンテーションのために多様な情報を統合する確率共有ネットワークを考案した。
  論文  参考訳（メタデータ） (2023-10-11T02:50:16Z)
• Cross Contrasting Feature Perturbation for Domain Generalization [11.863319505696184]
  ドメインの一般化は、目に見えないターゲットドメインをうまく一般化するソースドメインから堅牢なモデルを学ぶことを目的としています。 近年の研究では、ソースドメインに相補的な分布を多様化するための新しいドメインサンプルや特徴の生成に焦点が当てられている。 ドメインシフトをシミュレートするオンラインワンステージクロスコントラスト機能摂動フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-24T03:27:41Z)
• Cross-Domain Policy Adaptation via Value-Guided Data Filtering [57.62692881606099]
  動的ミスマッチで異なるドメインにまたがるポリシーを一般化することは、強化学習において重要な課題となる。 本稿では、ペア化された値ターゲットの近接に基づいて、ソースドメインからの遷移を選択的に共有するバリューガイドデータフィルタリング(VGDF)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-28T04:08:40Z)
• Normalization Perturbation: A Simple Domain Generalization Method for Real-World Domain Shifts [133.99270341855728]
  実世界のドメインスタイルは環境の変化やセンサノイズによって大きく変化する可能性がある。 深層モデルはトレーニングドメインスタイルしか知らない。 このドメインスタイルのオーバーフィット問題を解決するために,正規化摂動を提案する。
  論文  参考訳（メタデータ） (2022-11-08T17:36:49Z)
• Variational Model Perturbation for Source-Free Domain Adaptation [64.98560348412518]
  確率的枠組みにおける変分ベイズ推定によるモデルパラメータの摂動を導入する。 本研究では,ベイズニューラルネットワークの学習と理論的関連性を実証し,目的領域に対する摂動モデルの一般化可能性を示す。
  論文  参考訳（メタデータ） (2022-10-19T08:41:19Z)
• Generalizing to Unseen Domains with Wasserstein Distributional Robustness under Limited Source Knowledge [22.285156929279207]
  ドメインの一般化は、目に見えないターゲットドメインでうまく機能する普遍的なモデルを学ぶことを目的としている。 We propose a novel domain generalization framework called Wasserstein Distributionally Robust Domain Generalization (WDRDG)。
  論文  参考訳（メタデータ） (2022-07-11T14:46:50Z)
• A Convolutional Neural Network-based Approach to Field Reconstruction [0.0]
  多くのアプリケーションでは、スパイクや不連続性、危険な不均一性を検出するために、フィールドの空間分布を注意深く監視する必要がある。 この研究では、これらの要求に対処できる物理インフォームドなデータ駆動アルゴリズムが提示される。
  論文  参考訳（メタデータ） (2021-08-27T00:16:44Z)
• Self-Adversarial Disentangling for Specific Domain Adaptation [52.1935168534351]
  ドメイン適応は、ソースとターゲットドメイン間のドメインシフトをブリッジすることを目的としています。 最近の手法では、特定の次元について明示的な事前知識を考慮しないのが一般的である。
  論文  参考訳（メタデータ） (2021-08-08T02:36:45Z)
• Heuristic Domain Adaptation [105.59792285047536]
  Heuristic Domain Adaptation Network (HDAN)は、ドメイン不変およびドメイン固有表現を明示的に学習する。 Heuristic Domain Adaptation Network (HDAN)は、教師なしDA、マルチソースDA、半教師なしDAの最先端を超越している。
  論文  参考訳（メタデータ） (2020-11-30T04:21:35Z)
• Interventional Domain Adaptation [81.0692660794765]
  ドメイン適応(DA)は、ソースドメインからターゲットドメインに学習した差別的特徴を転送することを目的としている。 標準的なドメイン不変学習は、素早い相関に悩まされ、ソース固有性を誤って転送する。 ドメイン固有部分とドメイン共有部分とを区別する反ファクト機能を作成します。
  論文  参考訳（メタデータ） (2020-11-07T09:53:13Z)
• Generalized Zero-Shot Domain Adaptation via Coupled Conditional Variational Autoencoders [23.18781318003242]
  本研究では,新しい条件結合型変分自動エンコーダ(CCVAE)を提案する。 航空セキュリティにおける現実の応用をシミュレートするために、X線セキュリティチェックポイントデータセットを含む3つのドメイン適応データセットで実験が行われた。
  論文  参考訳（メタデータ） (2020-08-03T21:48:50Z)

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。