論文の概要: Optical aberrations in autonomous driving: Physics-informed parameterized temperature scaling for neural network uncertainty calibration
- arxiv url: http://arxiv.org/abs/2412.13695v2
- Date: Wed, 30 Apr 2025 16:15:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:52.187853
- Title: Optical aberrations in autonomous driving: Physics-informed parameterized temperature scaling for neural network uncertainty calibration
- Title（参考訳）: 自律運転における光収差:ニューラルネットワークの不確実性校正のための物理インフォームドパラメータ化温度スケーリング
- Authors: Dominik Werner Wolf, Alexander Braun, Markus Ulrich,
- Abstract要約: 本稿では,ニューラルネットワークのキャリブレーションアーキテクチャに物理的帰納バイアスを組み込むことにより,AIターゲットアプリケーションの堅牢性と信頼性を高めることを提案する。
信頼に値する不確実性表現と認識連鎖の総合的検証戦略の道を開く。
- 参考スコア（独自算出の注目度）: 49.03824084306578
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 'A trustworthy representation of uncertainty is desirable and should be considered as a key feature of any machine learning method' (Huellermeier and Waegeman, 2021). This conclusion of Huellermeier et al. underpins the importance of calibrated uncertainties. Since AI-based algorithms are heavily impacted by dataset shifts, the automotive industry needs to safeguard its system against all possible contingencies. One important but often neglected dataset shift is caused by optical aberrations induced by the windshield. For the verification of the perception system performance, requirements on the AI performance need to be translated into optical metrics by a bijective mapping. Given this bijective mapping it is evident that the optical system characteristics add additional information about the magnitude of the dataset shift. As a consequence, we propose to incorporate a physical inductive bias into the neural network calibration architecture to enhance the robustness and the trustworthiness of the AI target application, which we demonstrate by using a semantic segmentation task as an example. By utilizing the Zernike coefficient vector of the optical system as a physical prior we can significantly reduce the mean expected calibration error in case of optical aberrations. As a result, we pave the way for a trustworthy uncertainty representation and for a holistic verification strategy of the perception chain.
- Abstract（参考訳）: 「不確実性の信頼できる表現は望ましいものであり、あらゆる機械学習手法の重要な特徴と見なすべきである」(Huellermeier and Waegeman, 2021)。
Huellermeierらによるこの結論は、校正された不確実性の重要性を支えている。
AIベースのアルゴリズムはデータセットのシフトに大きく影響しているため、自動車業界はあらゆる事象に対してシステムを保護する必要がある。
重要なものの、しばしば無視されるデータセットシフトは、フロントガラスによって引き起こされる光学的収差によって引き起こされる。
知覚システム性能の検証には、AI性能の要件を客観的なマッピングによって光学的メトリクスに変換する必要がある。
この双対写像を考えると、光学系特性がデータセットのシフトの大きさに関する追加情報を追加することは明らかである。
その結果、ニューラルネットワークキャリブレーションアーキテクチャに物理的帰納バイアスを組み込むことにより、AIターゲットアプリケーションの堅牢性と信頼性を高めることを提案し、セマンティックセグメンテーションタスクを例に示す。
光学系のZernike係数ベクトルを物理先行として利用することにより、光学収差における平均キャリブレーション誤差を著しく低減することができる。
その結果,信頼に値する不確実性表現と認識連鎖の総合的検証戦略の道を開いた。
関連論文リスト
- Quantum-enhanced learning with a controllable bosonic variational sensor network [0.40964539027092906]
絡み合ったセンサネットワーク(SLAEN)による教師付き学習
本稿では非線形データ分類タスクを処理できるSLAENを提案する。
分類誤差のしきい値現象は、プローブのエネルギーが一定のしきい値を超えると、誤差は劇的にゼロになる。
論文 参考訳（メタデータ） (2024-04-28T19:41:40Z) - Uncertainty in latent representations of variational autoencoders optimized for visual tasks [4.919240908498475]
可変オートエンコーダ(VAE)の潜時表現における不確実性表現について検討する。
本稿では、EA-VAEと呼ばれる新しい手法が、これらの問題をいかに解決するかを示す。
EA-VAEは、コンピュータ神経科学における知覚のモデルとコンピュータビジョンにおける推論ツールの両方として有用である。
論文 参考訳（メタデータ） (2024-04-23T16:26:29Z) - Optical Quantum Sensing for Agnostic Environments via Deep Learning [59.088205627308]
本稿では,革新的な深層学習に基づく量子センシング手法を提案する。
これにより、光学量子センサーは、非依存環境でハイゼンベルク限界(HL)に達することができる。
我々の発見は、光学量子センシングタスクを加速する新しいレンズを提供する。
論文 参考訳（メタデータ） (2023-11-13T09:46:05Z) - Mutual Information-calibrated Conformal Feature Fusion for
Uncertainty-Aware Multimodal 3D Object Detection at the Edge [1.7898305876314982]
3次元(3D)物体検出は、重要なロボティクスの操作であり、大きな進歩を遂げている。
本研究は,共形推論の原理と情報理論測度を統合し,モンテカルロ自由な不確実性推定を行う。
このフレームワークは、KITTIの3Dオブジェクト検出ベンチマークにおいて、不確実性に気付かない類似のメソッドと同等またはより良いパフォーマンスを示す。
論文 参考訳（メタデータ） (2023-09-18T09:02:44Z) - A Theoretical and Practical Framework for Evaluating Uncertainty Calibration in Object Detection [1.8843687952462744]
本研究では,不確実性校正の文脈において,物体検出システムを評価するための理論的,実践的な枠組みを提案する。
提案した不確実性校正指標のロバスト性は, 一連の代表的な実験を通して示される。
論文 参考訳（メタデータ） (2023-09-01T14:02:44Z) - Sensitivity analysis of AI-based algorithms for autonomous driving on
optical wavefront aberrations induced by the windshield [4.542616945567623]
本稿では,異なるフロントガラス構成に対する2つの知覚モデルの感度を評価することにより,領域シフト問題について検討する。
以上の結果から,ウィンドシールドが導入した性能差は十分でなく,既存の光学的計測値が十分でない可能性が示唆された。
論文 参考訳（メタデータ） (2023-08-19T17:01:23Z) - Hybrid Predictive Coding: Inferring, Fast and Slow [62.997667081978825]
本稿では,反復型と償却型の両方を原則的に組み合わせたハイブリッド予測符号化ネットワークを提案する。
我々は,本モデルが本質的に不確実性に敏感であり,最小計算費用を用いて正確な信念を得るためにバランスを適応的にバランスさせることを実証した。
論文 参考訳（メタデータ） (2022-04-05T12:52:45Z) - Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。
提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文 参考訳（メタデータ） (2022-03-11T02:37:35Z) - Quantum readout of imperfect classical data [0.0]
本稿では,不正確な書き込みの有無で読み出し精度を最大化するために,最適化された量子センシングプロトコルを提案する。
この研究は、生物学的システムにおけるパターンの同定、分光光度測定、および伝送/反射光学測定から情報を抽出できる場合において、意味を持つ。
論文 参考訳（メタデータ） (2022-02-02T18:34:17Z) - Automatic differentiation approach for reconstructing spectral functions
with neural networks [30.015034534260664]
本稿では,観測可能なデータから再構成するための汎用ツールとして,自動微分フレームワークを提案する。
我々は、ニューラルネットワークでスペクトルを表現し、カイ二乗を損失関数として設定し、後方自動微分を教師なしでパラメータを最適化する。
復元精度は、複数の雑音レベルにおけるKulback-Leibler(KL)分散と平均二乗誤差(MSE)によって評価される。
論文 参考訳（メタデータ） (2021-12-12T11:21:57Z) - Attention that does not Explain Away [54.42960937271612]
Transformerアーキテクチャに基づくモデルは、大規模なタスクに対して競合するアーキテクチャに基づくモデルよりも精度が高い。
Transformerのユニークな特徴は、任意の距離で自由な情報の流れを可能にする自己認識機構の普遍的な応用である。
本稿では,実装が簡単で,"説明的回避"効果を避けるための理論的保証を提供する,二重正規化アテンション方式を提案する。
論文 参考訳（メタデータ） (2020-09-29T21:05:39Z) - Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。
焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。
ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
論文 参考訳（メタデータ） (2020-02-21T17:35:50Z)
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。