論文の概要: INTACT: Inducing Noise Tolerance through Adversarial Curriculum Training for LiDAR-based Safety-Critical Perception and Autonomy

• arxiv url: http://arxiv.org/abs/2502.01896v1
• Date: Tue, 04 Feb 2025 00:02:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:56:43.121130
• Title: INTACT: Inducing Noise Tolerance through Adversarial Curriculum Training for LiDAR-based Safety-Critical Perception and Autonomy
• Title（参考訳）: INTACT:LiDARによる安全批判的知覚と自律のための対人教育による耐雑音性の導入
• Authors: Nastaran Darabi, Divake Kumar, Sina Tayebati, Amit Ranjan Trivedi,
• Abstract要約: 本稿では、雑音の多いLiDARデータに対するディープニューラルネットワーク(DNN)の堅牢性を高めるために設計された新しいフレームワークを提案する。 IntACTは、メタラーニングと、敵対的なカリキュラムトレーニング(ACT)を組み合わせることで、3Dポイントクラウドにおけるデータの破損とスパーシリティによる課題に対処する。 IntACTの有効性は、オブジェクトの検出、追跡、分類ベンチマークに関する包括的な評価を通じて実証される。
• 参考スコア（独自算出の注目度）: 0.4124847249415279
• License:
• Abstract: In this work, we present INTACT, a novel two-phase framework designed to enhance the robustness of deep neural networks (DNNs) against noisy LiDAR data in safety-critical perception tasks. INTACT combines meta-learning with adversarial curriculum training (ACT) to systematically address challenges posed by data corruption and sparsity in 3D point clouds. The meta-learning phase equips a teacher network with task-agnostic priors, enabling it to generate robust saliency maps that identify critical data regions. The ACT phase leverages these saliency maps to progressively expose a student network to increasingly complex noise patterns, ensuring targeted perturbation and improved noise resilience. INTACT's effectiveness is demonstrated through comprehensive evaluations on object detection, tracking, and classification benchmarks using diverse datasets, including KITTI, Argoverse, and ModelNet40. Results indicate that INTACT improves model robustness by up to 20% across all tasks, outperforming standard adversarial and curriculum training methods. This framework not only addresses the limitations of conventional training strategies but also offers a scalable and efficient solution for real-world deployment in resource-constrained safety-critical systems. INTACT's principled integration of meta-learning and adversarial training establishes a new paradigm for noise-tolerant 3D perception in safety-critical applications. INTACT improved KITTI Multiple Object Tracking Accuracy (MOTA) by 9.6% (64.1% -> 75.1%) and by 12.4% under Gaussian noise (52.5% -> 73.7%). Similarly, KITTI mean Average Precision (mAP) rose from 59.8% to 69.8% (50% point drop) and 49.3% to 70.9% (Gaussian noise), highlighting the framework's ability to enhance deep learning model resilience in safety-critical object tracking scenarios.
• Abstract（参考訳）: 本研究では,深層ニューラルネットワーク(DNN)の安全クリティカルな認識タスクにおけるノイズの多いLiDARデータに対する堅牢性を高めるために設計された,新しい2相フレームワークINTACTを提案する。 INTACTは、メタラーニングと、敵対的なカリキュラムトレーニング(ACT)を組み合わせることで、3Dポイントクラウドにおけるデータの破損とスパーシリティによる課題を体系的に解決する。 メタラーニングフェーズは、教師ネットワークにタスクに依存しない事前情報を装備し、重要なデータ領域を識別する堅牢なサリエンシマップを生成する。 ACTフェーズはこれらのサリエンシマップを利用して、学生ネットワークをますます複雑なノイズパターンに徐々に露出させ、ターゲットの摂動を確実にし、ノイズ耐性を向上させる。 INTACTの有効性は、KITTI、Argoverse、ModelNet40といったさまざまなデータセットを使用して、オブジェクトの検出、追跡、分類ベンチマークに関する包括的な評価を通じて実証されている。 その結果、INTACTは全てのタスクにおいてモデルロバスト性を最大20%改善し、標準的な対角法やカリキュラムの訓練方法よりも優れていた。 このフレームワークは、従来のトレーニング戦略の制限に対処するだけでなく、リソース制約のある安全クリティカルなシステムにおいて、現実のデプロイにスケーラブルで効率的なソリューションを提供する。 INTACTのメタラーニングと敵対的トレーニングの統合は、安全クリティカルなアプリケーションにおいて、ノイズ耐性の3D知覚のための新しいパラダイムを確立している。 INTACTはKITTI多重物体追跡精度(MOTA)を9.6%(64.1% -> 75.1%)、ガウス雑音(52.5% ->73.7%)で12.4%改善した。 同様に、KITTIは平均精度(mAP)が59.8%から69.8%(50%ポイントダウン)に上昇し、49.3%から70.9%(ガウスノイズ)に上昇した。

関連論文リスト

• Enhanced Intrusion Detection in IIoT Networks: A Lightweight Approach with Autoencoder-Based Feature Learning [0.0]
  侵入検知システム(IDS)は,異常なネットワーク行動や悪質な活動の検出・防止に不可欠である。 本研究は,次元縮小のためのオートエンコーダの活用を含む,IDS性能向上のための6つの革新的なアプローチを実装した。 我々はJetson Nano上で最初にモデルをデプロイし、バイナリ分類では0.185ms、マルチクラス分類では0.187msの推論時間を達成する。
  論文  参考訳（メタデータ） (2025-01-25T16:24:18Z)
• Enhancing IoT Network Security through Adaptive Curriculum Learning and XAI [0.3958317527488535]
  本研究では、LIMEを含む説明可能なAI(XAI)技術で強化されたスケーラブルで軽量なカリキュラム学習フレームワークを提案する。 提案モデルでは,Curriculum Learningの各段階で使用されるニューラルネットワークアーキテクチャを用いて,短期的および長期的両方の依存関係を効率的に捕捉し,集中する。 実験結果は、CIC-IoV-2024とCIC-APT-IIoT-2024データセットで98%、EDGE-IIoTで97%の精度を示している。
  論文  参考訳（メタデータ） (2025-01-20T17:32:01Z)
• The Surprising Effectiveness of Test-Time Training for Abstract Reasoning [64.36534512742736]
  モデル推論能力向上のためのメカニズムとして,テストタイムトレーニング(TTT)の有効性を検討する。 TTTはARCタスクのパフォーマンスを大幅に改善し、ベースとなる微調整モデルと比較して最大6倍の精度向上を実現した。 本研究は,ニューラルネットワークモデルにおける抽象的推論改善の道筋として,明示的な記号探索が唯一の道ではないことを示唆している。
  論文  参考訳（メタデータ） (2024-11-11T18:59:45Z)
• A Scalable and Generalized Deep Learning Framework for Anomaly Detection in Surveillance Videos [0.47279903800557493]
  ビデオにおける異常検出は、暴力、万引き、破壊など、複雑さ、騒音、多様な活動の性質のために困難である。 既存のアプローチでは、広範囲な再トレーニングなしに、さまざまな異常なタスクにディープラーニングモデルを適用するのに苦労しています。 本研究では,特徴一般化向上のための伝達学習,特徴表現向上のためのモデル融合,マルチタスク分類という,3つの重要なコンポーネントからなる新しいDLフレームワークを導入する。 RLVSデータセット(違反検出)では97.99%、UCFデータセットでは83.59%の精度を達成した。
  論文  参考訳（メタデータ） (2024-07-17T22:41:12Z)
• Patch-Level Contrasting without Patch Correspondence for Accurate and Dense Contrastive Representation Learning [79.43940012723539]
  ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。 提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-06-23T07:38:09Z)
• Defense against adversarial attacks on deep convolutional neural networks through nonlocal denoising [1.3484794751207887]
  異なる輝度値を持つ非局所復調法は、逆例を生成するために用いられてきた。 摂動下では、この手法はMNISTデータセットの9.3%の絶対精度の向上をもたらした。 我々は,移動学習が逆機械学習に不利であることを示してきた。
  論文  参考訳（メタデータ） (2022-06-25T16:11:25Z)
• What Stops Learning-based 3D Registration from Working in the Real World? [53.68326201131434]
  この研究は、3Dポイントのクラウド登録失敗の原因を特定し、その原因を分析し、解決策を提案する。 最終的に、これは最も実践的な3D登録ネットワーク(BPNet)に変換される。 我々のモデルは微調整をせずに実データに一般化し、商用センサで得られた見えない物体の点雲上で最大67%の精度に達する。
  論文  参考訳（メタデータ） (2021-11-19T19:24:27Z)
• G-DetKD: Towards General Distillation Framework for Object Detectors via Contrastive and Semantic-guided Feature Imitation [49.421099172544196]
  そこで本研究では,すべてのピラミッドレベルにまたがる特徴ペア間のソフトマッチングを自動的に行う,意味誘導型特徴模倣手法を提案する。 また,異なる特徴領域間の関係で符号化された情報を効果的に捉えるために,コントラスト蒸留を導入する。 本手法は,(1)フレームワークのコンポーネントを別々に使用した場合に,既存の検出KD技術よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2021-08-17T07:44:27Z)
• Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
  本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。 提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:53:09Z)
• Scalable End-to-End RF Classification: A Case Study on Undersized Dataset Regularization by Convolutional-MST [0.0]
  マルチステージトレーニングに基づく新たな深層学習手法を提案し、RFセンシング信号分類について実証する。 トレーニングでは,最大17種類のクラスに対して,最大99%の精度を継続的に達成し,標準のDLアプローチよりも最大35%の精度向上を実現した。
  論文  参考訳（メタデータ） (2021-04-25T08:41:52Z)
• 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。