Fugu-MT 論文翻訳(概要): Driving behavior recognition via self-discovery learning

論文の概要: Driving behavior recognition via self-discovery learning

arxiv url: http://arxiv.org/abs/2503.14194v1
Date: Tue, 18 Mar 2025 12:13:08 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-19 14:16:30.833689
Title: Driving behavior recognition via self-discovery learning
Title（参考訳）: 自己発見学習による行動認識
Authors: Yilin Wang,
Abstract要約: サンプル不足と類似行動との混同による長期分布は、効果的な運転行動検出を妨げている。既存の手法は、しばしばサンプルの混乱に適切に対処できない。データセットには、しばしば不明瞭なサンプルが含まれます。
参考スコア（独自算出の注目度）: 19.643427070064828
License:
Abstract: Autonomous driving systems require a deep understanding of human driving behaviors to achieve higher intelligence and safety.Despite advancements in deep learning, challenges such as long-tail distribution due to scarce samples and confusion from similar behaviors hinder effective driving behavior detection.Existing methods often fail to address sample confusion adequately, as datasets frequently contain ambiguous samples that obscure unique semantic information.
Abstract（参考訳）: 自律運転システムは、高い知性と安全性を達成するために、人間の運転行動の深い理解を必要とする。ディープラーニングの進歩にもかかわらず、サンプル不足による長い尾の分布や類似の行動からの混乱といった課題は、効果的な運転行動検出を妨げている。

関連論文リスト

Traffic and Safety Rule Compliance of Humans in Diverse Driving Situations [48.924085579865334]
安全な運転プラクティスを再現する自律システムを開発するためには、人間のデータを分析することが不可欠だ。本稿では,複数の軌道予測データセットにおける交通・安全規則の適合性の比較評価を行う。
論文参考訳（メタデータ） (2024-11-04T09:21:00Z)
Transfer-LMR: Heavy-Tail Driving Behavior Recognition in Diverse Traffic Scenarios [11.431703211595563]
既存のビデオ認識アプローチは、一般的な振る舞いに対してうまく機能する。しかし、パフォーマンスは、通常、振舞いクラス分布の尾にある、過度に表現された/希少な振舞いのサブパーである。本稿では,すべての運転行動クラスにおける認識性能向上のためのモジュール型トレーニングルーチンであるTransfer-LMRを提案する。
論文参考訳（メタデータ） (2024-05-08T18:33:08Z)
Predicting Safety Misbehaviours in Autonomous Driving Systems using Uncertainty Quantification [8.213390074932132]
本稿では, 深層学習領域と異なる不確実性定量化手法を, 安全クリティカルな誤動作の予測試験のために評価する。車両が実施する不確実性スコアは、高い不確実性スコアがサポートされていない実行条件を示すという直感に従って計算する。本研究では,MC-DropoutとDeep Ensemblesの2つの不確実な定量化手法,すなわち,誤動作回避のための有効性と計算オーバーヘッドの評価を行った。
論文参考訳（メタデータ） (2024-04-29T10:28:28Z)
How adversarial attacks can disrupt seemingly stable accurate classifiers [76.95145661711514]
敵攻撃は、入力データに不連続な修正を加えることで、非正確な学習システムの出力を劇的に変化させる。ここでは,これは高次元入力データを扱う分類器の基本的特徴であると考えられる。実用システムで観測される重要な振る舞いを高い確率で発生させる、単純で汎用的なフレームワークを導入する。
論文参考訳（メタデータ） (2023-09-07T12:02:00Z)
Learning Off-Road Terrain Traversability with Self-Supervisions Only [2.4316550366482357]
オフロード環境における自律走行の様々な条件下で、地形の走行可能性の推定は信頼性と正確性を有するべきである。本稿では,手動ラベルを使わずに自己スーパービジョンのみを利用する画像からトラバーサビリティを学習する手法を提案する。
論文参考訳（メタデータ） (2023-05-30T09:51:27Z)
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)
Imitation Is Not Enough: Robustifying Imitation with Reinforcement Learning for Challenging Driving Scenarios [147.16925581385576]
シミュレーション学習と強化学習を組み合わせることで,運転方針の安全性と信頼性が大幅に向上することを示す。都会の運転データ100万マイル以上でポリシーを訓練し、異なるレベルの衝突確率でグループ化されたテストシナリオにおける有効性を測定する。
論文参考訳（メタデータ） (2022-12-21T23:59:33Z)
FBLNet: FeedBack Loop Network for Driver Attention Prediction [50.936478241688114]
非客観的運転経験のモデル化は困難であり,既存手法では運転経験蓄積手順を模擬する機構が欠如している。本稿では,運転経験蓄積手順をモデル化するFeedBack Loop Network (FBLNet)を提案する。提案モデルでは,既存の手法に対して強い優位性を示し,2つのドライバー注意ベンチマークデータセットの性能向上を実現している。
論文参考訳（メタデータ） (2022-12-05T08:25:09Z)
Driving Anomaly Detection Using Conditional Generative Adversarial Network [26.45460503638333]
本研究では,条件付き生成逆数ネットワーク(GAN)を用いた運転異常の定量化手法を提案する。この手法は、事前に観測された信号にモデルを条件付けすることで、今後の運転シナリオを予測する。結果は知覚的評価によって検証され、アノテータは高い異常スコアで検出されたビデオのリスクと親しみやすさを評価するよう依頼される。
論文参考訳（メタデータ） (2022-03-15T22:10:01Z)
A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文参考訳（メタデータ） (2020-10-29T08:27:43Z)

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。