論文の概要: Data Shift of Object Detection in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2508.11868v1
• Date: Sat, 16 Aug 2025 01:52:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.425516
• Title: Data Shift of Object Detection in Autonomous Driving
• Title（参考訳）: 自律運転における物体検出のデータシフト
• Authors: Lida Xu,
• Abstract要約: 自律走行物体検出タスクにおけるデータシフト問題について検討する。 我々は、データセットの分類とバランスをとるためにシフト検出分析技術を採用している。 このアプローチを検証するために,CycleGANベースのデータ拡張技術とYOLOv5フレームワークを統合することにより,モデルを最適化する。
• 参考スコア（独自算出の注目度）: 0.40792653193642503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the widespread adoption of machine learning technologies in autonomous driving systems, their role in addressing complex environmental perception challenges has become increasingly crucial. However, existing machine learning models exhibit significant vulnerability, as their performance critically depends on the fundamental assumption that training and testing data satisfy the independent and identically distributed condition, which is difficult to guarantee in real-world applications. Dynamic variations in data distribution caused by seasonal changes, weather fluctuations lead to data shift problems in autonomous driving systems. This study investigates the data shift problem in autonomous driving object detection tasks, systematically analyzing its complexity and diverse manifestations. We conduct a comprehensive review of data shift detection methods and employ shift detection analysis techniques to perform dataset categorization and balancing. Building upon this foundation, we construct an object detection model. To validate our approach, we optimize the model by integrating CycleGAN-based data augmentation techniques with the YOLOv5 framework. Experimental results demonstrate that our method achieves superior performance compared to baseline models on the BDD100K dataset.
• Abstract（参考訳）: 自律運転システムにおける機械学習技術の普及により、複雑な環境認識問題に対処する彼らの役割はますます重要になっている。 しかし、既存の機械学習モデルは、トレーニングとテストデータが独立的で同一の分散状態を満たすという基本的な前提に依存しており、現実のアプリケーションでは保証が難しいため、重大な脆弱性を示す。 季節変動や天候変動によるデータ分布の動的変動は、自律運転システムにおけるデータシフト問題を引き起こす。 本研究では,自律走行物体検出タスクにおけるデータシフト問題について検討し,その複雑さと多様な特徴を体系的に分析した。 我々は、データシフト検出手法の包括的なレビューを行い、シフト検出分析技術を用いてデータセットの分類と分散を行う。 この基礎の上に構築されたオブジェクト検出モデルを構築する。 このアプローチを検証するために,CycleGANベースのデータ拡張技術とYOLOv5フレームワークを統合することにより,モデルを最適化する。 BDD100Kデータセットのベースラインモデルと比較して,本手法が優れた性能を発揮することを示す実験結果を得た。

関連論文リスト

• Enhancing Object Detection Accuracy in Autonomous Vehicles Using Synthetic Data [0.8267034114134277]
  機械学習モデルの性能は、トレーニングデータセットの性質とサイズに依存する。 正確で信頼性の高い機械学習モデルを構築するためには、高品質、多様性、関連性、代表的トレーニングデータが不可欠である。 十分に設計された合成データは、機械学習アルゴリズムの性能を向上させることができると仮定されている。
  論文  参考訳（メタデータ） (2024-11-23T16:38:02Z)
• NUMOSIM: A Synthetic Mobility Dataset with Anomaly Detection Benchmarks [5.852777557137612]
  本稿では,自動ベンチマーク手法の制御,倫理的,多様な環境を提供する合成モビリティデータセットNUMOSIMを紹介する。 NUMOSIMは様々な現実的なモビリティシナリオをシミュレートし、典型的な動作と異常な動作の両方を包含する。 NUMOSIMデータセットへのオープンアクセスと、包括的なドキュメント、評価指標、ベンチマーク結果を提供する。
  論文  参考訳（メタデータ） (2024-09-04T18:31:24Z)
• Distilled Datamodel with Reverse Gradient Matching [74.75248610868685]
  オフライントレーニングとオンライン評価段階を含む,データ影響評価のための効率的なフレームワークを提案する。 提案手法は, 直接再学習法と比較して, プロセスの大幅な高速化を図りながら, 同等のモデル行動評価を実現する。
  論文  参考訳（メタデータ） (2024-04-22T09:16:14Z)
• SubjectDrive: Scaling Generative Data in Autonomous Driving via Subject Control [59.20038082523832]
  我々は、自動走行アプリケーションの改善を継続的に行う方法で、生成データ生産を拡大することが証明された最初のモデルであるSubjectDriveを提案する。 本研究では, 多様なデータを生成するために, 多様な外部データソースを活用可能な, 主観制御機構を備えた新しいモデルを開発する。
  論文  参考訳（メタデータ） (2024-03-28T14:07:13Z)
• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• Learning Latent Dynamics via Invariant Decomposition and (Spatio-)Temporal Transformers [0.6767885381740952]
  本研究では,高次元経験データから力学系を学習する手法を提案する。 我々は、システムの複数の異なるインスタンスからデータが利用できる設定に焦点を当てる。 我々は、単純な理論的分析と、合成および実世界のデータセットに関する広範な実験を通して行動を研究する。
  論文  参考訳（メタデータ） (2023-06-21T07:52:07Z)
• Detection of Dataset Shifts in Learning-Enabled Cyber-Physical Systems using Variational Autoencoder for Regression [1.5039745292757671]
  回帰問題に対してデータセットシフトを効果的に検出する手法を提案する。 提案手法は帰納的共形異常検出に基づいており,回帰モデルに変分オートエンコーダを用いる。 自動運転車用オープンソースシミュレータに実装された高度緊急ブレーキシステムを用いて,本手法を実証する。
  論文  参考訳（メタデータ） (2021-04-14T03:46:37Z)
• How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
  本稿では,トレーニングデータの密度と制御性能の関係を考察する。 データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。 フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
  論文  参考訳（メタデータ） (2020-05-25T12:13:49Z)
• Dynamic Federated Learning [57.14673504239551]
  フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。 我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。 集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
  論文  参考訳（メタデータ） (2020-02-20T15:00:54Z)

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。