論文の概要: QDCNN: Quantum Deep Learning for Enhancing Safety and Reliability in Autonomous Transportation Systems

• arxiv url: http://arxiv.org/abs/2503.01916v1
• Date: Sat, 01 Mar 2025 19:04:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:21:27.527696
• Title: QDCNN: Quantum Deep Learning for Enhancing Safety and Reliability in Autonomous Transportation Systems
• Title（参考訳）: QDCNN:自律走行システムにおける安全性と信頼性向上のための量子深層学習
• Authors: Ashtakala Meghanath, Subham Das, Bikash K. Behera, Muhammad Attique Khan, Saif Al-Kuwari, Ahmed Farouk,
• Abstract要約: 本稿では,輸送におけるCPSの安全性と信頼性を高めるために,QDCNN(Quantum Deep Convolutional Neural Network)を提案する。 提案したQDCNNは,正常な条件下での3つのデータセットと,雨による1つの道路を用いて,その頑健性を評価する。 これは計算効率の点で既存の手法よりも優れており、わずか0.0049352秒のシャドウ検出時間を達成する。
• 参考スコア（独自算出の注目度）: 5.062798070922488
• License:
• Abstract: In transportation cyber-physical systems (CPS), ensuring safety and reliability in real-time decision-making is essential for successfully deploying autonomous vehicles and intelligent transportation networks. However, these systems face significant challenges, such as computational complexity and the ability to handle ambiguous inputs like shadows in complex environments. This paper introduces a Quantum Deep Convolutional Neural Network (QDCNN) designed to enhance the safety and reliability of CPS in transportation by leveraging quantum algorithms. At the core of QDCNN is the UU{\dag} method, which is utilized to improve shadow detection through a propagation algorithm that trains the centroid value with preprocessing and postprocessing operations to classify shadow regions in images accurately. The proposed QDCNN is evaluated on three datasets on normal conditions and one road affected by rain to test its robustness. It outperforms existing methods in terms of computational efficiency, achieving a shadow detection time of just 0.0049352 seconds, faster than classical algorithms like intensity-based thresholding (0.03 seconds), chromaticity-based shadow detection (1.47 seconds), and local binary pattern techniques (2.05 seconds). This remarkable speed, superior accuracy, and noise resilience demonstrate the key factors for safe navigation in autonomous transportation in real-time. This research demonstrates the potential of quantum-enhanced models in addressing critical limitations of classical methods, contributing to more dependable and robust autonomous transportation systems within the CPS framework.
• Abstract（参考訳）: 輸送サイバー物理システム(CPS)では、自律走行車やインテリジェント交通ネットワークの運用に成功させるためには、リアルタイム意思決定における安全性と信頼性を確保することが不可欠である。 しかし、これらのシステムは計算複雑性や複雑な環境におけるシャドーのような曖昧な入力を扱う能力など、重大な課題に直面している。 本稿では、量子アルゴリズムを利用して、輸送におけるCPSの安全性と信頼性を高めるために設計された量子深部畳み込みニューラルネットワーク(QDCNN)を提案する。 QDCNNのコアとなるUU{\dag}法は、画像内の影領域を正確に分類するために、前処理と後処理の操作でセントロイド値をトレーニングする伝搬アルゴリズムによってシャドウ検出を改善するために使用される。 提案したQDCNNは,正常な条件下での3つのデータセットと,雨による1つの道路を用いて,その頑健性を評価する。 計算効率の面では既存の手法よりも優れており、強度ベース閾値(0.03秒)、色度ベースシャドウ検出(1.47秒)、局所バイナリパターン技術(2.05秒)といった従来のアルゴリズムよりも高速な0.0049352秒のシャドウ検出時間を実現している。 この顕著な速度、精度、耐雑音性は、自律走行における安全なナビゲーションの鍵となる要素をリアルタイムに示している。 この研究は、古典的手法の限界に対処する量子強化モデルの可能性を示し、CPSフレームワーク内のより信頼性が高く堅牢な自律輸送システムに寄与する。

関連論文リスト

• QNN-VRCS: A Quantum Neural Network for Vehicle Road Cooperation Systems [2.7985570786346745]
  本研究は、車載道路協調システム(VRCS)を強化するために量子コンピューティング技術を統合する。 本稿では、トラフィックデータ処理の複雑さをよりよく扱うために、最適化された量子ニューラルネットワーク(QNN)を提案する。 2つのトラフィックデータセットに対する実証的な評価は、我々のモデルは97.42%と84.08%の優れた分類精度を達成していることを示している。
  論文  参考訳（メタデータ） (2024-12-17T09:20:08Z)
• CREST: An Efficient Conjointly-trained Spike-driven Framework for Event-based Object Detection Exploiting Spatiotemporal Dynamics [7.696109414724968]
  スパイキングニューラルネットワーク(SNN)は、イベントベースのオブジェクト認識と検出を約束する。 既存のSNNフレームワークは、多くの場合、マルチスケールの時間的特徴を扱うことができず、データの冗長性が向上し、精度が低下する。 我々は、イベントベースのオブジェクト検出を利用するために、結合的にトレーニングされた新しいスパイク駆動フレームワークであるCRESTを提案する。
  論文  参考訳（メタデータ） (2024-12-17T04:33:31Z)
• PNAS-MOT: Multi-Modal Object Tracking with Pareto Neural Architecture Search [64.28335667655129]
  複数の物体追跡は、自律運転において重要な課題である。 トラッキングの精度が向上するにつれて、ニューラルネットワークはますます複雑になり、レイテンシが高いため、実際の運転シナリオにおける実践的な応用に課題が生じる。 本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法を用いて追跡のための効率的なアーキテクチャを探索し,比較的高い精度を維持しつつ,低リアルタイム遅延を実現することを目的とした。
  論文  参考訳（メタデータ） (2024-03-23T04:18:49Z)
• Fast Quantum Convolutional Neural Networks for Low-Complexity Object Detection in Autonomous Driving Applications [18.34157974553066]
  量子畳み込みに基づく物体検出(QCOD)を提案し,高速に物体検出を行う。 QCODは、提案した高速量子畳み込みを利用して、入力チャネル情報をアップロードし、出力チャネルを再構築する。 KITTI自律走行物体検出データセットを用いた実験により,提案した高速量子畳み込みとQCODが実物体検出アプリケーションで正常に動作することを確認した。
  論文  参考訳（メタデータ） (2023-12-28T00:38:10Z)
• MonoPIC -- A Monocular Low-Latency Pedestrian Intention Classification Framework for IoT Edges Using ID3 Modelled Decision Trees [0.0]
  本稿では,2次元のフレーム内の任意の歩行者の意図を論理状態に分類するアルゴリズムを提案する。 これにより、比較的レイテンシの高いディープラーニングアルゴリズムを使用する必要がなくなる。 平均テスト精度は83.56%で信頼性は0.0042で、平均レイテンシは48ミリ秒であった。
  論文  参考訳（メタデータ） (2023-04-01T02:42:24Z)
• Quantization-aware Interval Bound Propagation for Training Certifiably Robust Quantized Neural Networks [58.195261590442406]
  我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。 近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。 本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
  論文  参考訳（メタデータ） (2022-11-29T13:32:38Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Self-Configurable Stabilized Real-Time Detection Learning for Autonomous Driving Applications [15.689145350449737]
  光フロー推定による物体検出ニューラルネットワークの性能向上を図る。 動的車両環境に合うように光の流れを使うかどうかを適応的に決定する。 実演では,提案フレームワークの精度が3.02%向上し,検出対象数が59.6%向上し,計算の待ち行列安定性が向上した。
  論文  参考訳（メタデータ） (2022-09-29T03:11:33Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)
• Temporal Pulses Driven Spiking Neural Network for Fast Object Recognition in Autonomous Driving [65.36115045035903]
  スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。 各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
  論文  参考訳（メタデータ） (2020-01-24T22:58:55Z)

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。