論文の概要: Out-of-Distribution Segmentation in Autonomous Driving: Problems and State of the Art

• arxiv url: http://arxiv.org/abs/2503.08695v1
• Date: Tue, 04 Mar 2025 22:52:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-16 07:11:35.723926
• Title: Out-of-Distribution Segmentation in Autonomous Driving: Problems and State of the Art
• Title（参考訳）: 自動運転におけるアウト・オブ・ディストリビューション・セグメンテーションの課題と現状
• Authors: Youssef Shoeb, Azarm Nowzad, Hanno Gottschalk,
• Abstract要約: 我々は,OoD(Out-of-Distribution)セグメンテーションにおける技術の現状を概観し,実世界のアプリケーションとしての自動運転における道路障害物検出に着目した。 我々は、広く使われている2つのベンチマーク、SegmentMeIfYouCan Obstacle TrackとLostAndFound-NoKnownで既存のメソッドのパフォーマンスを分析した。
• 参考スコア（独自算出の注目度）: 1.3654846342364308
• License:
• Abstract: In this paper, we review the state of the art in Out-of-Distribution (OoD) segmentation, with a focus on road obstacle detection in automated driving as a real-world application. We analyse the performance of existing methods on two widely used benchmarks, SegmentMeIfYouCan Obstacle Track and LostAndFound-NoKnown, highlighting their strengths, limitations, and real-world applicability. Additionally, we discuss key challenges and outline potential research directions to advance the field. Our goal is to provide researchers and practitioners with a comprehensive perspective on the current landscape of OoD segmentation and to foster further advancements toward safer and more reliable autonomous driving systems.
• Abstract（参考訳）: 本稿では,OoD(Out-of-Distribution)セグメンテーションにおける最先端技術について概説する。 我々は、広く使用されている2つのベンチマーク、SegmentMeIfYouCan Obstacle TrackとLostAndFound-NoKnownにおける既存のメソッドのパフォーマンスを分析し、それらの強み、制限、実世界の適用性を強調した。 さらに,重要な課題について論じ,今後の研究の方向性について概説する。 我々の目標は、OoDセグメンテーションの現在の状況に関する総合的な視点を研究者や実践者に提供し、より安全で信頼性の高い自動運転システムへのさらなる進歩を促進することである。

関連論文リスト

• The Role of World Models in Shaping Autonomous Driving: A Comprehensive Survey [50.62538723793247]
  ドライビング・ワールド・モデル(DWM)は、ドライビング・プロセス中のシーンの進化を予測することに焦点を当てている。 DWM法は、自律運転システムが動的運転環境をよりよく知覚し、理解し、相互作用することを可能にする。
  論文  参考訳（メタデータ） (2025-02-14T18:43:15Z)
• Black-Box Adversarial Attack on Vision Language Models for Autonomous Driving [65.61999354218628]
  我々は、自律運転システムにおいて、視覚言語モデル(VLM)をターゲットとしたブラックボックス敵攻撃を設計する第一歩を踏み出す。 セマンティクスの生成と注入による低レベル推論の分解を目標とするカスケーディング・アディバーショナル・ディスラプション(CAD)を提案する。 本稿では,高レベルリスクシナリオの理解と構築に代理VLMを活用することで,動的適応に対処するリスクシーンインジェクションを提案する。
  論文  参考訳（メタデータ） (2025-01-23T11:10:02Z)
• Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
  本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
  論文  参考訳（メタデータ） (2024-05-14T09:42:21Z)
• Evaluating Roadside Perception for Autonomous Vehicles: Insights from Field Testing [7.755003755937953]
  本稿では,道路側認識システムの性能評価を目的とした総合評価手法を提案する。 本手法は,実世界の実地試験を基礎とした計測技術,計量選択,実験的試行設計を含む。 本研究の成果は,業界標準ベンチマークや評価手法の開発に資することを目的としている。
  論文  参考訳（メタデータ） (2024-01-22T22:47:02Z)
• Social Interaction-Aware Dynamical Models and Decision Making for Autonomous Vehicles [20.123965317836106]
  IAAD(Interaction-Aware Autonomous Driving)は、急速に成長する研究分野である。 それは、人間の道路利用者と安全かつ効率的に対話できる自動運転車の開発に焦点を当てている。 これは、自動運転車が人間の道路利用者の行動を理解し予測できることを要求するため、困難な作業である。
  論文  参考訳（メタデータ） (2023-10-29T03:43:50Z)
• Unsupervised Self-Driving Attention Prediction via Uncertainty Mining and Knowledge Embedding [51.8579160500354]
  本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。 結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-03-17T00:28:33Z)
• Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
  本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。 両センサと融合に関する概念と特徴を提示する。 本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
  論文  参考訳（メタデータ） (2023-03-08T00:48:32Z)
• Differentiable Control Barrier Functions for Vision-based End-to-End Autonomous Driving [100.57791628642624]
  本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。 我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
  論文  参考訳（メタデータ） (2022-03-04T16:14:33Z)
• A Survey of End-to-End Driving: Architectures and Training Methods [0.9449650062296824]
  私たちは、運転パイプライン全体を1つのニューラルネットワークに置き換える、いわゆるエンドツーエンドの自動運転アプローチについて、より深く検討しています。 本稿では,エンド・ツー・エンド駆動文学における学習方法,入力・出力モダリティ,ネットワークアーキテクチャ,評価スキームについてレビューする。 我々は、エンドツーエンドの自動運転システムの最も有望な要素を組み合わせたアーキテクチャでレビューを締めくくります。
  論文  参考訳（メタデータ） (2020-03-13T17:42:58Z)

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。