論文の概要: Modality-Incremental Learning with Disjoint Relevance Mapping Networks for Image-based Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2411.17610v1
• Date: Tue, 26 Nov 2024 17:21:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-27 13:34:39.849808
• Title: Modality-Incremental Learning with Disjoint Relevance Mapping Networks for Image-based Semantic Segmentation
• Title（参考訳）: 画像ベースセマンティックセグメンテーションのための解離関係マッピングネットワークを用いたモダリティ・インクリメンタルラーニング
• Authors: Niharika Hegde, Shishir Muralidhara, René Schuster, Didier Stricker,
• Abstract要約: 自律運転では、多様なセンサーが悪天候や照明条件に対する堅牢性に寄与する。 継続的学習の文脈では、インクリメンタル学習は特に大きなドメインシフトにおいて困難である。 本稿では,新しいモダリティを段階的に学習し,以前に学習したモダリティの性能を保ちながら,改良されたレバレンスマッピングネットワーク(RMN)を提案する。
• 参考スコア（独自算出の注目度）: 13.137604149999973
• License:
• Abstract: In autonomous driving, environment perception has significantly advanced with the utilization of deep learning techniques for diverse sensors such as cameras, depth sensors, or infrared sensors. The diversity in the sensor stack increases the safety and contributes to robustness against adverse weather and lighting conditions. However, the variance in data acquired from different sensors poses challenges. In the context of continual learning (CL), incremental learning is especially challenging for considerably large domain shifts, e.g. different sensor modalities. This amplifies the problem of catastrophic forgetting. To address this issue, we formulate the concept of modality-incremental learning and examine its necessity, by contrasting it with existing incremental learning paradigms. We propose the use of a modified Relevance Mapping Network (RMN) to incrementally learn new modalities while preserving performance on previously learned modalities, in which relevance maps are disjoint. Experimental results demonstrate that the prevention of shared connections in this approach helps alleviate the problem of forgetting within the constraints of a strict continual learning framework.
• Abstract（参考訳）: 自律運転において、環境認識は、カメラ、深度センサー、赤外線センサーなどの多様なセンサーにディープラーニング技術を活用することで著しく進歩した。 センサスタックの多様性は安全性を高め、悪天候や照明条件に対する堅牢性に寄与する。 しかし、異なるセンサから取得したデータのばらつきが課題となっている。 連続学習(CL)の文脈では、インクリメンタルラーニングは特に大きなドメインシフト(例えば、異なるセンサーモード)において困難である。 これは破滅的な忘れ事の問題を増幅する。 この問題に対処するため,モーダリティ・インクリメンタル・ラーニングの概念を定式化し,既存のインクリメンタル・ラーニング・パラダイムと対比することにより,その必要性を検討する。 本稿では, 関連マップが非結合である場合の, 事前学習したモダリティの性能を保ちつつ, 新たなモダリティを漸進的に学習するために, RMN (Modified Relevance Mapping Network) を用いることを提案する。 実験結果から,本手法における共有接続の防止は,厳密な連続学習フレームワークの制約内での忘れを軽減できることが示された。

関連論文リスト

• MSSIDD: A Benchmark for Multi-Sensor Denoising [55.41612200877861]
  我々は,マルチセンサSIDDデータセットという新しいベンチマークを導入する。これは,認知モデルのセンサ伝達性を評価するために設計された,最初の生ドメインデータセットである。 そこで本研究では,センサに不変な特徴を認知モデルで学習することのできるセンサ一貫性トレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-18T13:32:59Z)
• Efficient and robust Sensor Placement in Complex Environments [1.1421942894219899]
  本稿では,複雑な環境下での効率的な監視やコミュニケーションの課題に対処する。 目的を達成するための欲求的アルゴリズムを提案する。 深層学習技術は目的関数の評価を加速するために用いられる。
  論文  参考訳（メタデータ） (2023-09-15T17:10:19Z)
• Machine Learning Based Compensation for Inconsistencies in Knitted Force Sensors [1.0742675209112622]
  編まれたセンサーは、オフセット、緩和、漂流といった自然現象によってしばしば不整合に悩まされる。 本稿では,最小人工ニューラルネットワーク(ANN)を用いて処理することで,これに対応する方法を示す。 合計8個のニューロンを持つ3層ANNをトレーニングすることにより,センサ読み取りとアクティベーション力のマッピングを大幅に改善する。
  論文  参考訳（メタデータ） (2023-06-21T09:19:33Z)
• TASKED: Transformer-based Adversarial learning for human activity recognition using wearable sensors via Self-KnowledgE Distillation [6.458496335718508]
  本稿では,TASKED(Self-KnowledgE Distillation)を用いたウェアラブルセンサを用いた,トランスフォーマーに基づく人間行動認識のための新しい逆学習フレームワークを提案する。 提案手法では,教師なしの自己知識蒸留を採用し,訓練手順の安定性と人間の活動認識性能を向上させる。
  論文  参考訳（メタデータ） (2022-09-14T11:08:48Z)
• Learning Online Multi-Sensor Depth Fusion [100.84519175539378]
  SenFuNetは、センサ固有のノイズと外れ値統計を学習するディープフュージョンアプローチである。 実世界のCoRBSとScene3Dデータセットで様々なセンサーの組み合わせで実験を行う。
  論文  参考訳（メタデータ） (2022-04-07T10:45:32Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• Bayesian Imitation Learning for End-to-End Mobile Manipulation [80.47771322489422]
  RGB + 深度カメラのような追加のセンサー入力によるポリシーの強化は、ロボットの知覚能力を改善するための簡単なアプローチである。 畳み込みニューラルネットワークを正規化するために変分情報ボトルネックを用いることで、保持領域への一般化が向上することを示す。 提案手法は, シミュレーションと現実のギャップを埋めることと, RGBと奥行き変調をうまく融合できることを実証する。
  論文  参考訳（メタデータ） (2022-02-15T17:38:30Z)
• 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)
• Improving Robustness of Learning-based Autonomous Steering Using Adversarial Images [58.287120077778205]
  自動運転用画像入力における学習アルゴリズムw.r.tの堅牢性を解析するためのフレームワークについて紹介する。 感度分析の結果を用いて, 「操縦への学習」 タスクの総合的性能を向上させるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:08:07Z)
• Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision Action Recognition [131.6328804788164]
  本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。 SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
  論文  参考訳（メタデータ） (2020-09-01T03:38:31Z)

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。