論文の概要: Robust Anomaly Detection through Multi-Modal Autoencoder Fusion for Small Vehicle Damage Detection

• arxiv url: http://arxiv.org/abs/2509.01719v1
• Date: Mon, 01 Sep 2025 18:54:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.82416
• Title: Robust Anomaly Detection through Multi-Modal Autoencoder Fusion for Small Vehicle Damage Detection
• Title（参考訳）: 小型車両損傷検出のためのマルチモードオートエンコーダフュージョンによるロバスト異常検出
• Authors: Sara Khan, Mehmed Yüksel, Frank Kirchner,
• Abstract要約: 特にレンタカーやカーシェアリングサービスにおいて、車両および共有車両システムにおける摩耗と剥離の検出は重要な課題である。 現在、手動検査法がデフォルトの手法であるが、労働集約的であり、ヒューマンエラーの傾向にある。 本研究では,これらの問題に対処するために,異常検出に基づく新しいマルチモーダルアーキテクチャを導入する。
• 参考スコア（独自算出の注目度）: 4.932130498861987
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Wear and tear detection in fleet and shared vehicle systems is a critical challenge, particularly in rental and car-sharing services, where minor damage, such as dents, scratches, and underbody impacts, often goes unnoticed or is detected too late. Currently, manual inspection methods are the default approach but are labour intensive and prone to human error. In contrast, state-of-the-art image-based methods struggle with real-time performance and are less effective at detecting underbody damage due to limited visual access and poor spatial coverage. This work introduces a novel multi-modal architecture based on anomaly detection to address these issues. Sensors such as IMUs and microphones are integrated into a compact device mounted on the vehicle's windshield. This approach supports real-time damage detection while avoiding the need for highly resource-intensive sensors. We developed multiple variants of multi-modal autoencoder-based architectures and evaluated them against unimodal and state-of-the-art methods. Our ensemble pooling multi-modal model achieved the highest performance, with a Receiver Operating Characteristic-Area Under Curve (ROC-AUC) of 92%, demonstrating its effectiveness in real-world applications. This approach can also be extended to other applications, such as improving automotive safety - where it can integrate with airbag systems for efficient deployment - and helping autonomous vehicles by complementing other sensors in collision detection.
• Abstract（参考訳）: 特にレンタカーやカーシェアリングサービスでは、デント、ひっかき傷、下半身の衝撃などの小さな損傷が、しばしば気付かれず、遅すぎると検知される。 現在、手動検査法がデフォルトの手法であるが、労働集約的であり、ヒューマンエラーの傾向にある。 対照的に、最先端の画像ベース手法は、リアルタイムのパフォーマンスに苦慮し、視覚的アクセスの制限や空間的カバレッジの低下による下肢損傷の検出に効果が低い。 本研究では,これらの問題に対処するために,異常検出に基づく新しいマルチモーダルアーキテクチャを導入する。 IMUやマイクロフォンなどのセンサーは、車のフロントガラスに取り付けられた小型デバイスに統合される。 このアプローチは、高リソース集約型センサの必要性を回避しつつ、リアルタイムな損傷検出をサポートする。 マルチモーダル・オートエンコーダをベースとしたマルチモーダル・オートエンコーダ・アーキテクチャを複数開発した。 我々のアンサンブルプール型マルチモーダルモデルが最も高い性能を達成し,実世界のアプリケーションにおいて,受信機動作特性曲線 (ROC-AUC) の92%が有効であった。 このアプローチは、自動車の安全性(効率的な展開のためにエアバッグシステムと統合できる)の改善や、衝突検出で他のセンサーを補完することで自動運転車を支援するなど、他のアプリケーションにも拡張できる。

関連論文リスト

• AttentionGuard: Transformer-based Misbehavior Detection for Secure Vehicular Platoons [0.0]
  車両小隊は、認証されたインサイダーによる高度なファルシフィケーション攻撃に対して脆弱である。 本稿では,誤動作検出のためのトランスフォーマーベースのフレームワークであるAttentionGuardを紹介する。 我々は,AttentionGuardが攻撃検出において最大0.95F1スコアを達成することを示す。
  論文  参考訳（メタデータ） (2025-05-15T13:24:09Z)
• Lane-Wise Highway Anomaly Detection [8.086502588472783]
  本稿では,車線道路交通異常検出のためのスケーラブルかつ解釈可能なフレームワークを提案する。 従来のセンサ依存の手法とは異なり、我々の手法はAIを利用した視覚モデルを用いて車線固有の特徴を抽出する。 我々のフレームワークは、精度、リコール、F1スコアにおいて最先端の手法より優れています。
  論文  参考訳（メタデータ） (2025-05-05T12:32:23Z)
• Optimizing Multispectral Object Detection: A Bag of Tricks and Comprehensive Benchmarks [49.84182981950623]
  RGBおよびTIR(熱赤外)変調を利用したマルチスペクトル物体検出は,課題として広く認識されている。 モダリティと堅牢な融合戦略の両方から特徴を効果的に抽出するだけでなく、スペクトルの相違といった問題に対処する能力も必要である。 本稿では,高パフォーマンス単一モードモデルのシームレスな最適化が可能な,効率的かつ容易にデプロイ可能なマルチスペクトルオブジェクト検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-27T12:18:39Z)
• DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
  複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。 運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。 我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
  論文  参考訳（メタデータ） (2023-10-03T10:10:42Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Cross-Domain Car Detection Model with Integrated Convolutional Block Attention Mechanism [3.3843451892622576]
  統合畳み込みブロックアテンション機構を用いたクロスドメイン車目標検出モデルを提案する。 実験の結果,我々のフレームワークを使わずに,モデルの性能が40%向上したことがわかった。
  論文  参考訳（メタデータ） (2023-05-31T17:28:13Z)
• 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)
• Exploring Adversarial Robustness of Multi-Sensor Perception Systems in Self Driving [87.3492357041748]
  本稿では,敵物体をホスト車両の上に配置することで,マルチセンサ検出の実用的感受性を示す。 実験の結果, 攻撃が成功した原因は主に画像の特徴が損なわれやすいことが判明した。 よりロバストなマルチモーダル知覚システムに向けて,特徴分断を伴う敵対的訓練が,このような攻撃に対するロバスト性を大幅に高めることを示す。
  論文  参考訳（メタデータ） (2021-01-17T21:15:34Z)
• Automotive Radar Interference Mitigation with Unfolded Robust PCA based on Residual Overcomplete Auto-Encoder Blocks [88.46770122522697]
  自律走行では、レーダーシステムは道路上の他の車両のような標的を検出する上で重要な役割を果たす。 自動車用レーダー干渉緩和のための深層学習手法は、目標の振幅を確実に推定できるが、それぞれの目標の位相を回復できない。 干渉の有無で振幅と位相の両方を推定できる効率的かつ効率的な手法を提案する。
  論文  参考訳（メタデータ） (2020-10-14T09:41:06Z)

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。