論文の概要: Endangered Alert: A Field-Validated Self-Training Scheme for Detecting and Protecting Threatened Wildlife on Roads and Roadsides
- arxiv url: http://arxiv.org/abs/2412.12222v1
- Date: Mon, 16 Dec 2024 07:44:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-18 13:58:59.522363
- Title: Endangered Alert: A Field-Validated Self-Training Scheme for Detecting and Protecting Threatened Wildlife on Roads and Roadsides
- Title（参考訳）: 絶滅危惧種の絶滅危惧種:道路や道路沿いの絶滅危惧種の発見・保護のためのフィールド・バリデーション・セルフ・トライニング・スキーム
- Authors: Kunming Li, Mao Shan, Stephany Berrio Perez, Katie Luo, Stewart Worrall,
- Abstract要約: 本稿では,オーストラリアにおけるカソーファリーなどの希少動物の検出を目的とした,革新的な自己学習手法を提案する。
提案手法は,希少種のセンサデータを取得し,ラベル付けすることを含む,現実世界における重要な課題に対処する。
クラウドとエッジコンピューティングを活用し、フィールドデプロイモデルの検出性能を向上させるために自動データラベリングを実現する。
- 参考スコア（独自算出の注目度）: 10.412505957288406
- License:
- Abstract: Traffic accidents are a global safety concern, resulting in numerous fatalities each year. A considerable number of these deaths are caused by animal-vehicle collisions (AVCs), which not only endanger human lives but also present serious risks to animal populations. This paper presents an innovative self-training methodology aimed at detecting rare animals, such as the cassowary in Australia, whose survival is threatened by road accidents. The proposed method addresses critical real-world challenges, including acquiring and labelling sensor data for rare animal species in resource-limited environments. It achieves this by leveraging cloud and edge computing, and automatic data labelling to improve the detection performance of the field-deployed model iteratively. Our approach introduces Label-Augmentation Non-Maximum Suppression (LA-NMS), which incorporates a vision-language model (VLM) to enable automated data labelling. During a five-month deployment, we confirmed the method's robustness and effectiveness, resulting in improved object detection accuracy and increased prediction confidence. The source code is available: https://github.com/acfr/CassDetect
- Abstract（参考訳）: 交通事故は世界的な安全上の問題であり、毎年多くの死者が出ている。
これらの死のかなりの数は、動物と車両の衝突(AVC)によって引き起こされる。
本稿では,道路事故による生存を危惧するオーストラリア産カソーサリーなどの希少動物の検出を目的とした,革新的な自己学習手法を提案する。
提案手法は,資源制限環境下での希少種のセンサデータの取得・ラベル付けなど,現実世界における重要な課題に対処する。
クラウドとエッジコンピューティングを活用し、自動ラベリングによりフィールド展開モデルの検出性能を反復的に向上する。
本手法では,視覚言語モデル(VLM)を組み込んだラベル拡張非最大抑圧(LA-NMS)を導入し,自動ラベリングを実現する。
5ヶ月のデプロイメントにおいて,本手法の堅牢性と有効性を確認し,オブジェクト検出精度の向上と予測信頼性の向上を実現した。
ソースコードは、https://github.com/acfr/CassDetect.comで入手できる。
関連論文リスト
- AGSENet: A Robust Road Ponding Detection Method for Proactive Traffic Safety [30.305692955291033]
道路の沈み込みは、車両を制御不能にさせ、小さなフェンダーの曲がり角から激しい衝突に至る事故を引き起こすことにより、道路の安全に深刻な脅威をもたらす。
既存技術は、複雑な道路テクスチャと反射特性の影響による可変な池色化により、道路の熟成を正確に識別するのに苦慮している。
本稿では,自己注意型グローバル・サリエンシ・エンハンス・ネットワーク(AGSENet)という新しい手法を提案する。
論文 参考訳（メタデータ） (2024-10-22T13:21:36Z) - Detection of Animal Movement from Weather Radar using Self-Supervised Learning [0.14999444543328289]
動物の動きを検出するための自己教師型学習法を提案する。
提案手法では,しきい値を用いた雑音ラベル付き大規模データセット上でモデルを事前学習する。
オーストラリアの気象レーダデータを用いた水鳥セグメンテーション実験により, 提案手法は, ダイス共効率統計学において, 現在の最先端技術よりも43.53%優れていることが判明した。
論文 参考訳（メタデータ） (2024-08-08T12:48:54Z) - CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。
Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。
猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
論文 参考訳（メタデータ） (2023-10-19T02:49:31Z) - An empirical study of automatic wildlife detection using drone thermal
imaging and object detection [6.179033141934765]
遠隔操縦航空機システム(RPASまたはドローン')や熱画像技術の最近の進歩は、野生生物のデータを収集するための新しいアプローチを生み出している。
ドローンによる野生生物検出に関する総合的なレビューと実証研究を行っている。
論文 参考訳（メタデータ） (2023-10-17T13:22:59Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - FIR-based Future Trajectory Prediction in Nighttime Autonomous Driving [3.689539481706835]
低照度での鹿などの大型動物との衝突は、毎年かなりのコストと損傷を引き起こす。
本稿では,大型動物の将来の軌道予測のためのAIを用いた最初の手法を提案する。
本実験は, 有害な条件下でのフレームワークの有望な結果を示す。
論文 参考訳（メタデータ） (2023-03-31T06:20:10Z) - Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。
潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。
適応過程を監督する信頼性のある信号はターゲット領域に存在しない。
この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
論文 参考訳（メタデータ） (2023-03-27T15:07:55Z) - Persistent Animal Identification Leveraging Non-Visual Markers [71.14999745312626]
乱雑なホームケージ環境下で各マウスにユニークな識別子を時間をかけて発見し提供することを目的としている。
これは、(i)各マウスの視覚的特徴の区別の欠如、(ii)一定の閉塞を伴うシーンの密閉性のため、非常に難しい問題である。
本手法は, この動物識別問題に対して77%の精度を達成し, 動物が隠れているときの急激な検出を拒否することができる。
論文 参考訳（メタデータ） (2021-12-13T17:11:32Z) - Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object
Detection [55.12894776039135]
ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。
対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。
5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
論文 参考訳（メタデータ） (2021-03-26T01:18:11Z) - Computer Vision based Animal Collision Avoidance Framework for
Autonomous Vehicles [0.0]
動物はインドの道路でよく目撃されており、毎年自動車と自動車の事故が多発している。
これにより、このような事故の防止を支援するドライバーレス車両支援システムの開発が不可欠となる。
高速道路での動物検出の効率的なアプローチを開発することにより、車両と動物との衝突を回避するためのフレームワークを提案します。
論文 参考訳（メタデータ） (2020-12-20T09:51:23Z) - How Robust are Randomized Smoothing based Defenses to Data Poisoning? [66.80663779176979]
我々は、トレーニングデータの品質の重要性を強調する堅牢な機械学習モデルに対して、これまで認識されていなかった脅威を提示します。
本稿では,二段階最適化に基づく新たなデータ中毒攻撃法を提案し,ロバストな分類器のロバスト性を保証する。
我々の攻撃は、被害者が最先端のロバストな訓練方法を用いて、ゼロからモデルを訓練しても効果的である。
論文 参考訳（メタデータ） (2020-12-02T15:30:21Z)
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。