論文の概要: UNCOVER: Unknown Class Object Detection for Autonomous Vehicles in Real-time

• arxiv url: http://arxiv.org/abs/2412.03986v1
• Date: Thu, 05 Dec 2024 09:04:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-06 14:40:47.319547
• Title: UNCOVER: Unknown Class Object Detection for Autonomous Vehicles in Real-time
• Title（参考訳）: UNCOVER: 自律走行車のための未知のクラスオブジェクト検出
• Authors: Lars Schmarje, Kaspar Sakman, Reinhard Koch, Dan Zhang,
• Abstract要約: トレーニング中に見たオブジェクトからクラス固有のオブジェクトではなく、ジェネリックを導入する。 実際の対象が占める予測領域の比率を計算することにより、対象性を評価することを学ぶ。 我々のソリューションであるUNCOVERは、非未知のクラスオブジェクトをリアルタイムに検出するために、リアルタイム検出と未知のオブジェクトの高速リコールを両立させるのに優れています。
• 参考スコア（独自算出の注目度）: 3.5711115323107947
• License:
• Abstract: Autonomous driving (AD) operates in open-world scenarios, where encountering unknown objects is inevitable. However, standard object detectors trained on a limited number of base classes tend to ignore any unknown objects, posing potential risks on the road. To address this, it is important to learn a generic rather than a class specific objectness from objects seen during training. We therefore introduce an occupancy prediction together with bounding box regression. It learns to score the objectness by calculating the ratio of the predicted area occupied by actual objects. To enhance its generalizability, we increase the object diversity by exploiting data from other domains via Mosaic and Mixup augmentation. The objects outside the AD training classes are classified as a newly added out-of-distribution (OOD) class. Our solution UNCOVER, for UNknown Class Object detection for autonomous VEhicles in Real-time, excels at achieving both real-time detection and high recall of unknown objects on challenging AD benchmarks. To further attain very low false positive rates, particularly for close objects, we introduce a post-hoc filtering step that utilizes geometric cues extracted from the depth map, typically available within the AD system.
• Abstract（参考訳）: 自律運転(AD)は、未知のオブジェクトに遭遇することは避けられないオープンワールドシナリオで動作する。 しかし、限られた数の基底クラスで訓練された標準オブジェクト検出器は、未知のオブジェクトを無視する傾向があり、道路上の潜在的なリスクを生じさせる。 これを解決するためには、トレーニング中に見られるオブジェクトからクラス固有のオブジェクトではなく、ジェネリックを学ぶことが重要です。 そこで我々は,有界箱回帰とともに占有率予測を導入する。 実際の対象が占める予測領域の比率を計算することにより、対象性を評価することを学ぶ。 一般化性を高めるために,MosaicおよびMixup拡張を通じて他のドメインのデータを活用することにより,オブジェクトの多様性を高める。 ADトレーニングクラス以外のオブジェクトは、新たに追加されたアウト・オブ・ディストリビューション(OOD)クラスに分類される。 我々のソリューションであるUNCOVERは、非未知のクラスオブジェクト検出のために、リアルタイム検出と未知のオブジェクトのハイリコールの両方を、挑戦的なADベンチマーク上で達成することに長けています。 特に近接物体に対して非常に低い偽陽性率を達成するために,ADシステム内で典型的に利用できる深度マップから抽出された幾何的キューを利用するポストホックフィルタリングステップを導入する。

関連論文リスト

• Detecting Every Object from Events [24.58024539462497]
  本稿では,イベントベースの視覚において,クラスに依存しない高速なオープンワールドオブジェクト検出を実現するためのアプローチとして,イベント中のすべてのオブジェクトの検出(DEOE)を提案する。 私たちのコードはhttps://github.com/Hatins/DEOEで公開されています。
  論文  参考訳（メタデータ） (2024-04-08T08:20:53Z)
• Object-Centric Multiple Object Tracking [124.30650395969126]
  本稿では,多目的追跡パイプラインのためのビデオオブジェクト中心モデルを提案する。 オブジェクト中心のスロットを検出出力に適応するインデックスマージモジュールと、オブジェクトメモリモジュールで構成される。 オブジェクト中心学習に特化して、オブジェクトのローカライゼーションと機能バインディングのためのスパース検出ラベルしか必要としない。
  論文  参考訳（メタデータ） (2023-09-01T03:34:12Z)
• Unsupervised Recognition of Unknown Objects for Open-World Object Detection [28.787586991713535]
  Open-World Object Detection (OWOD) はオブジェクト検出問題を現実的でダイナミックなシナリオに拡張する。 現在のOWODモデル(OREやOW-DETRなど)は、高い客観性スコアを持つ擬似ラベル領域に注目する。 本稿では,未知の物体を認識するために,教師なしの識別モデルを学ぶ新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-31T08:17:29Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• SalienDet: A Saliency-based Feature Enhancement Algorithm for Object Detection for Autonomous Driving [160.57870373052577]
  未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。 我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。 オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
  論文  参考訳（メタデータ） (2023-05-11T16:19:44Z)
• Open World DETR: Transformer based Open World Object Detection [60.64535309016623]
  そこで我々は,Deformable DETRに基づくオープンワールドオブジェクト検出のための2段階学習手法Open World DETRを提案する。 モデルのクラス固有のコンポーネントを多視点の自己ラベル戦略と一貫性制約で微調整する。 提案手法は、他の最先端のオープンワールドオブジェクト検出方法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2022-12-06T13:39:30Z)
• Open-Set Object Detection Using Classification-free Object Proposal and Instance-level Contrastive Learning [25.935629339091697]
  オープンセットオブジェクト検出(OSOD)は、オブジェクトと背景分離、オープンセットオブジェクト分類という2つのサブタスクからなる問題を処理するための有望な方向である。 我々は,OSODの課題に対処するため,Openset RCNNを提案する。 我々のOpenset RCNNは、散らばった環境下でロボットの並べ替えタスクをサポートするオープンセットの知覚能力でロボットを支援できることを示します。
  論文  参考訳（メタデータ） (2022-11-21T15:00:04Z)
• DMODE: Differential Monocular Object Distance Estimation Module without Class Specific Information [8.552738832104101]
  単分子距離推定のためのクラス非依存手法であるDMODEを提案する。 DMODEは、カメラの動きと時間とともにその大きさの変動を融合させることで、物体の距離を推定する。 我々は,TrackRCNN と EagerMOT からの出力と接点境界ボックスアノテーションを用いて,KITTI MOTS データセット上でのモデルを評価する。
  論文  参考訳（メタデータ） (2022-10-23T02:06:56Z)
• Object Manipulation via Visual Target Localization [64.05939029132394]
  オブジェクトを操作するための訓練エージェントは、多くの課題を提起します。 本研究では,対象物体を探索する環境を探索し,位置が特定されると3次元座標を計算し,対象物が見えない場合でも3次元位置を推定する手法を提案する。 評価の結果,同じ感覚スイートにアクセス可能なモデルに比べて,成功率が3倍に向上したことが示された。
  論文  参考訳（メタデータ） (2022-03-15T17:59:01Z)
• Learning Open-World Object Proposals without Learning to Classify [110.30191531975804]
  本研究では,各領域の位置と形状がどの接地トラストオブジェクトとどのように重なり合うかによって,各領域の目的性を純粋に推定する,分類不要なオブジェクトローカライゼーションネットワークを提案する。 この単純な戦略は一般化可能な対象性を学び、クロスカテゴリの一般化に関する既存の提案より優れている。
  論文  参考訳（メタデータ） (2021-08-15T14:36:02Z)

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。