論文の概要: Multi-label Scene Classification for Autonomous Vehicles: Acquiring and Accumulating Knowledge from Diverse Datasets

• arxiv url: http://arxiv.org/abs/2506.17101v2
• Date: Mon, 23 Jun 2025 04:01:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 12:48:19.160281
• Title: Multi-label Scene Classification for Autonomous Vehicles: Acquiring and Accumulating Knowledge from Diverse Datasets
• Title（参考訳）: 自動車のマルチラベルシーン分類 : 多様なデータセットからの知識の獲得と蓄積
• Authors: Ke Li, Chenyu Zhang, Yuxin Ding, Xianbiao Hu, Ruwen Qin,
• Abstract要約: 本稿では,知識獲得・蓄積(KAA)と一貫性に基づくアクティブラーニング(CAL)を併用した新しい学習システムを提案する。 ドライビングシーン識別(DSI)データセットのアブレーション調査では、ImageNetで事前トレーニングされたベースラインモデルよりも56.1%のパフォーマンス向上が示されている。
• 参考スコア（独自算出の注目度）: 12.168265998401193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driving scene identification, which assigns multiple non-exclusive class labels to a scene, provides the contextual awareness necessary for enhancing autonomous vehicles' ability to understand, reason about, and interact with the complex driving environment. As a multi-label classification problem, it is better tackled via multitasking learning. However, directly training a multi-label classification model for driving scene identification through multitask learning presents two main challenges: acquiring a balanced, comprehensively annotated multi-label dataset and balancing learning across different tasks. This paper introduces a novel learning system that synergizes knowledge acquisition and accumulation (KAA) with consistency-based active learning (CAL) to address those challenges. KAA acquires and accumulates knowledge about scene identification from various single-label datasets via monotask learning. Subsequently, CAL effectively resolves the knowledge gap caused by the discrepancy between single-label and multi-label data. An ablation study on our Driving Scene Identification (DSI) dataset demonstrates a 56.1% performance increase over the baseline model pretrained on ImageNet. Of this, KAA accounts for 31.3% of the gain, and CAL contributes 24.8%. Moreover, KAA-CAL stands out as the best performer when compared to state-of-the-art (SOTA) multi-label models on two public datasets, BDD100K and HSD, achieving this while using 85% less data. The DSI dataset and the implementation code for KAA-CAL are available at https://github.com/KELISBU/KAA-CAL .
• Abstract（参考訳）: 複数の非排他的なクラスラベルをシーンに割り当てる運転シーン識別は、複雑な運転環境を理解し、推論し、相互作用する自動運転車の能力を高めるために必要なコンテキスト認識を提供する。 マルチラベル分類問題として、マルチタスク学習によりよりうまく取り組まれる。 しかし、マルチタスク学習を通じてシーン識別を駆動するためのマルチラベル分類モデルを直接訓練することは、バランスのとれた、包括的な注釈付きマルチラベルデータセットの取得と、異なるタスク間の学習のバランスの2つの大きな課題を提示している。 本稿では,これらの課題に対処するために,知識獲得・蓄積(KAA)と一貫性に基づくアクティブラーニング(CAL)を併用した新しい学習システムを提案する。 KAAは、モノタスク学習を通じて、さまざまなシングルラベルデータセットからシーン識別に関する知識を取得し、蓄積する。 その後、CALは、シングルラベルデータとマルチラベルデータとの相違に起因する知識ギャップを効果的に解決する。 ドライビングシーン識別(DSI)データセットのアブレーション調査では、ImageNetで事前トレーニングされたベースラインモデルよりも56.1%のパフォーマンス向上が示されている。 このうち、KAAが31.3%、CALが24.8%を占めている。 さらに、KAA-CALは、BDD100KとHSDという2つの公開データセット上の最先端(SOTA)マルチラベルモデルと比較して、これを85%少ないデータで達成する上で、最高のパフォーマーである。 DSIデータセットとKAA-CALの実装コードはhttps://github.com/KELISBU/KAA-CALで公開されている。

関連論文リスト

• TSceneJAL: Joint Active Learning of Traffic Scenes for 3D Object Detection [26.059907173437114]
  TSceneJALフレームワークはラベル付きデータとラベルなしデータの両方から、バランスのとれた、多様性のある、複雑なトラフィックシーンを効率的にサンプリングすることができる。 提案手法は,3次元オブジェクト検出タスクにおける既存の最先端手法よりも12%向上した。
  論文  参考訳（メタデータ） (2024-12-25T11:07:04Z)
• Hybrid Discriminative Attribute-Object Embedding Network for Compositional Zero-Shot Learning [83.10178754323955]
  HDA-OE(Hybrid Discriminative Attribute-Object Embedding)ネットワークは,属性とオブジェクトの視覚表現との複雑な相互作用を解決するために提案される。 トレーニングデータの多様性を高めるため、HDA-OEは属性駆動型データ合成(ADDS)モジュールを導入した。 HDA-OEは、モデルの識別能力をさらに向上するため、サブクラス駆動の差別的埋め込み(SDDE)モジュールを導入している。 提案モデルを3つのベンチマークデータセットで評価し,その妥当性と信頼性を検証した。
  論文  参考訳（メタデータ） (2024-11-28T09:50:25Z)
• Incremental Self-training for Semi-supervised Learning [56.57057576885672]
  ISTは単純だが有効であり、既存の自己学習に基づく半教師あり学習手法に適合する。 提案したISTを5つのデータセットと2種類のバックボーンで検証し,認識精度と学習速度を効果的に向上させる。
  論文  参考訳（メタデータ） (2024-04-14T05:02:00Z)
• LVLane: Deep Learning for Lane Detection and Classification in Challenging Conditions [2.5641096293146712]
  本稿では,ディープラーニング手法に基づくエンドツーエンドの車線検出・分類システムを提案する。 本研究では,最新技術(SOTA)レーンローカライゼーションモデルにおいて重要な課題を提起するシナリオを包含する,厳密にキュレートされたユニークなデータセットを提案する。 そこで本研究では,CNNをベースとした検知器とシームレスに統合し,異なるレーンの識別を容易にする分類手法を提案する。
  論文  参考訳（メタデータ） (2023-07-13T16:09:53Z)
• Association Graph Learning for Multi-Task Classification with Category Shifts [68.58829338426712]
  関連する分類タスクが同じラベル空間を共有し、同時に学習されるマルチタスク分類に焦点を当てる。 我々は、不足クラスのためのタスク間で知識を伝達する関連グラフを学習する。 我々の手法は代表的基準よりも一貫して性能が良い。
  論文  参考訳（メタデータ） (2022-10-10T12:37:41Z)
• X-Learner: Learning Cross Sources and Tasks for Universal Visual Representation [71.51719469058666]
  本稿では,X-Learnerという表現学習フレームワークを提案する。 X-Learnerは、様々なソースによって管理される複数の視覚タスクの普遍的な特徴を学習する。 X-Learnerは、追加のアノテーションやモダリティ、計算コストを使わずに、様々なタスクで強力なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-16T17:23:26Z)
• Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
  トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。 実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
  論文  参考訳（メタデータ） (2021-01-16T23:45:02Z)
• Knowledge-Guided Multi-Label Few-Shot Learning for General Image Recognition [75.44233392355711]
  KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。 まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。 次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。 グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
  論文  参考訳（メタデータ） (2020-09-20T15:05:29Z)

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。