論文の概要: Detecting What Matters: A Novel Approach for Out-of-Distribution 3D Object Detection in Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2506.23426v1
• Date: Sun, 29 Jun 2025 23:21:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.870402
• Title: Detecting What Matters: A Novel Approach for Out-of-Distribution 3D Object Detection in Autonomous Vehicles
• Title（参考訳）: 重要なことを検出する: 自律走行車におけるアウト・オブ・ディストリビューション3次元物体検出の新しいアプローチ
• Authors: Menna Taha, Aya Ahmed, Mohammed Karmoose, Yasser Gadallah,
• Abstract要約: 本稿では,従来のクラス分類からオブジェクト有害度決定への重点を移す新しいオブジェクト検出手法を提案する。 我々の手法は、それらがAVに危険をもたらすかどうかに基づいて、それらを「有害」または「有害」と識別する。 提案手法は,OODオブジェクトを効果的に検出し,その有害性を評価し,それに応じて分類する。
• 参考スコア（独自算出の注目度）: 1.4524462132789562
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous vehicles (AVs) use object detection models to recognize their surroundings and make driving decisions accordingly. Conventional object detection approaches classify objects into known classes, which limits the AV's ability to detect and appropriately respond to Out-of-Distribution (OOD) objects. This problem is a significant safety concern since the AV may fail to detect objects or misclassify them, which can potentially lead to hazardous situations such as accidents. Consequently, we propose a novel object detection approach that shifts the emphasis from conventional class-based classification to object harmfulness determination. Instead of object detection by their specific class, our method identifies them as either 'harmful' or 'harmless' based on whether they pose a danger to the AV. This is done based on the object position relative to the AV and its trajectory. With this metric, our model can effectively detect previously unseen objects to enable the AV to make safer real-time decisions. Our results demonstrate that the proposed model effectively detects OOD objects, evaluates their harmfulness, and classifies them accordingly, thus enhancing the AV decision-making effectiveness in dynamic environments.
• Abstract（参考訳）: 自律走行車(AV)は、物体検出モデルを使用して周囲を認識し、それに応じて運転決定を行う。 従来のオブジェクト検出アプローチでは、オブジェクトを既知のクラスに分類する。 この問題は、AVが物体を検出したり、それらを誤分類したりする可能性があるため、事故などの危険な状況を引き起こす可能性があるため、重大な安全上の懸念である。 そこで本研究では,従来のクラス分類からオブジェクト有害度決定への重点を移す新しいオブジェクト検出手法を提案する。 特定のクラスによって対象を検出する代わりに、我々の手法はそれらがAVに危険をもたらすかどうかに基づいて、それらを「有害」または「有害」と識別する。 これは、AVとその軌道に対する対象位置に基づいて行われる。 このメトリクスにより、我々のモデルは、未確認のオブジェクトを効果的に検出し、AVがより安全なリアルタイム決定を可能にする。 提案手法は,OODオブジェクトを効果的に検出し,その有害性を評価し,それに応じて分類し,動的環境におけるAV判定の有効性を高める。

関連論文リスト

• A Real-Time Defense Against Object Vanishing Adversarial Patch Attacks for Object Detection in Autonomous Vehicles [0.0]
  ADAV (Adversarial Defense for autonomous Vehicles) は、物体の消滅するパッチ攻撃に対する新しい防御手法である。 ADAVはリアルタイムで動作し、AVのビデオフィードの以前のフレームからコンテキスト情報を活用する。 ADAVは、Berkeley Deep Drive BDD100Kデータセットの実際の運転データを用いて評価される。
  論文  参考訳（メタデータ） (2024-12-09T05:21:14Z)
• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• Revisiting Out-of-Distribution Detection in LiDAR-based 3D Object Detection [12.633311483061647]
  アウト・オブ・ディストリビューション(OOD)オブジェクトは誤分類を引き起こし、自動車両の安全性と信頼性に重大なリスクをもたらす。 我々は、ポイントクラウドを変更することなく既存のデータセットを使用できる新しい評価プロトコルを提案する。 提案手法の有効性は,新たに提案したnuScenes OODベンチマークを用いて検証した。
  論文  参考訳（メタデータ） (2024-04-24T13:48:38Z)
• Detecting Out-of-Distribution Objects through Class-Conditioned Inpainting [42.67743584239442]
  現実のデプロイメントは、しばしば、out-of-distribution (OOD)オブジェクトと呼ばれる、新しく予期せぬオブジェクトを導入します。 現代の物体検出器は一般的に過信であり、その予測をOOD検出に単独で使用することは信用できない。 我々は,識別対象検出器と異なる目的関数で訓練された安定拡散のような,既製のテキスト・ツー・イメージ生成モデルを利用する。
  論文  参考訳（メタデータ） (2024-02-05T18:50:27Z)
• Diffusion-Based Particle-DETR for BEV Perception [94.88305708174796]
  Bird-Eye-View (BEV)は、自律走行車(AV)における視覚知覚のための最も広く使われているシーンの1つである。 近年の拡散法は、視覚知覚のための不確実性モデリングに有望なアプローチを提供するが、BEVの広い範囲において、小さな物体を効果的に検出することができない。 本稿では,BEVにおける拡散パラダイムと最先端の3Dオブジェクト検出器を組み合わせることで,この問題に対処する。
  論文  参考訳（メタデータ） (2023-12-18T09:52:14Z)
• SalienDet: A Saliency-based Feature Enhancement Algorithm for Object Detection for Autonomous Driving [160.57870373052577]
  未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。 我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。 オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
  論文  参考訳（メタデータ） (2023-05-11T16:19:44Z)
• Evaluating Object (mis)Detection from a Safety and Reliability Perspective: Discussion and Measures [1.8492669447784602]
  本稿では,最も危険で運転決定に影響を及ぼす可能性が最も高い物体の正確な識別に報いる新しい物体検出手法を提案する。 我々は、最近の自律走行データセットnuScenesにモデルを適用し、9つの物体検出器を比較した。 その結果、いくつかの環境では、安全性と信頼性に重点を置いている場合、nuScenesランキングでベストに機能するオブジェクト検出器は好ましくないことが判明した。
  論文  参考訳（メタデータ） (2022-03-04T09:31:20Z)
• ObjectSeeker: Certifiably Robust Object Detection against Patch Hiding Attacks via Patch-agnostic Masking [95.6347501381882]
  物体探知機は物理的世界のパッチ隠蔽攻撃に弱いことが判明した。 我々は,堅牢なオブジェクト検出器を構築するためのフレームワークとしてObjectSeekerを提案する。
  論文  参考訳（メタデータ） (2022-02-03T19:34:25Z)
• Slender Object Detection: Diagnoses and Improvements [74.40792217534]
  本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。 古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
  論文  参考訳（メタデータ） (2020-11-17T09:39:42Z)

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。