論文の概要: Calibrated and Resource-Aware Super-Resolution for Reliable Driver Behavior Analysis

• arxiv url: http://arxiv.org/abs/2509.23535v1
• Date: Sun, 28 Sep 2025 00:08:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.277384
• Title: Calibrated and Resource-Aware Super-Resolution for Reliable Driver Behavior Analysis
• Title（参考訳）: 信頼性ドライバ挙動解析のための校正・資源対応超解法
• Authors: Ibne Farabi Shihab, Weiheng Chai, Jiyang Wang, Sanjeda Akter, Senem Velipasalar Gursoy, Anuj Sharma,
• Abstract要約: ドライバー監視システムは、安全クリティカルな配置のために、高精度だが信頼性があり、信頼性の高い信頼性スコアを必要とする。 直接の低解像度トレーニングは、全体的な精度が向上するが、安全クリティカルなシナリオでは危険であるような、キャリブレーションの低い予測を生成する。 本稿では、モデルキャリブレーションと臨界事象の高精度リコールに最適化されたリソース対応適応型超解像フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 10.465339435381468
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driver monitoring systems require not just high accuracy but reliable, well-calibrated confidence scores for safety-critical deployment. While direct low-resolution training yields high overall accuracy, it produces poorly calibrated predictions that can be dangerous in safety-critical scenarios. We propose a resource-aware adaptive super-resolution framework that optimizes for model calibration and high precision-recall on critical events. Our approach achieves state-of-the-art performance on safety-centric metrics: best calibration (ECE of 5.8\% vs 6.2\% for LR-trained baselines), highest AUPR for drowsiness detection (0.78 vs 0.74), and superior precision-recall for phone use detection (0.74 vs 0.71). A lightweight artifact detector (0.3M parameters, 5.2ms overhead) provides additional safety by filtering SR-induced hallucinations. While LR-trained video models serve as strong general-purpose baselines, our adaptive framework represents the state-of-the-art solution for safety-critical applications where reliability is paramount.
• Abstract（参考訳）: ドライバー監視システムには、高い正確性だけでなく、安全クリティカルなデプロイメントのための信頼性スコアの信頼性も必要である。 直接的低解像度トレーニングは、全体的な精度が高いが、安全クリティカルなシナリオでは危険であるような、調整の不十分な予測を生成する。 本稿では、モデルキャリブレーションと臨界事象の高精度リコールを最適化するリソース対応適応型超解像フレームワークを提案する。 本手法は,最高校正(LRトレーニングベースラインのECE5.8\%対6.2\%),最高 AUPR(0.78対0.74),より高精度な電話使用検出(0.74対0.71)の3種類の安全中心のメトリクスに対して,最先端のパフォーマンスを実現する。 軽量なアーティファクト検出器(0.3Mパラメータ、5.2msオーバーヘッド)は、SRによる幻覚をフィルターすることで、さらなる安全性を提供する。 LR学習ビデオモデルは強力な汎用ベースラインとして機能するが、我々の適応フレームワークは信頼性が最重要となる安全クリティカルなアプリケーションのための最先端のソリューションである。

関連論文リスト

• Rethinking Safety in LLM Fine-tuning: An Optimization Perspective [56.31306558218838]
  我々は、本質的にトレードオフではなく、最適化の貧弱な選択が、しばしば安全上の問題を引き起こすことを示し、敵のプロンプトに対する有害な応答として測定する。 安全性能を保ったパラメータ空間における簡易指数移動平均(EMA)運動量法を提案する。 複数のデータセットにまたがるLlamaファミリーに関する実験は、安全性の問題が特別な介入なしに回避できることを実証している。
  論文  参考訳（メタデータ） (2025-08-17T23:46:36Z)
• Beyond Confidence: Adaptive Abstention in Dual-Threshold Conformal Prediction for Autonomous System Perception [0.4124847249415279]
  安全クリティカルな認識システムは、安全を維持するために確実な不確実性定量化と原則化された禁制機構を必要とする。 本稿では,統計的に保証された不確実性推定を提供するとともに,リスクの高いシナリオにおいて選択的な予測を可能にする,新しいデュアルスレッド整合化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-11T04:45:31Z)
• UncertaintyRAG: Span-Level Uncertainty Enhanced Long-Context Modeling for Retrieval-Augmented Generation [93.38604803625294]
  IncertaintyRAG, a novel approach for long-context Retrieval-Augmented Generation (RAG)について紹介する。 我々は、SNR(Signal-to-Noise Ratio)ベースのスパン不確実性を用いて、テキストチャンク間の類似性を推定する。 不確かさRAGはLLaMA-2-7Bでベースラインを2.03%上回り、最先端の結果を得る。
  論文  参考訳（メタデータ） (2024-10-03T17:39:38Z)
• MixedNUTS: Training-Free Accuracy-Robustness Balance via Nonlinearly Mixed Classifiers [41.56951365163419]
  MixedNUTSは、ロバストな分類器の出力ロジットを3つのパラメータしか持たない非線形変換で処理する訓練不要の手法である。 MixedNUTSは変換されたロジットを確率に変換し、それらを全体の出力として混合する。 CIFAR-10、CIFAR-100、ImageNetデータセットでは、MixedNUTSの精度とほぼSOTAの堅牢性を大幅に改善した。
  論文  参考訳（メタデータ） (2024-02-03T21:12:36Z)
• Empirical Optimal Risk to Quantify Model Trustworthiness for Failure Detection [1.192436948211501]
  AIシステムにおける障害検出は、安全クリティカルなタスクのデプロイにおける重要な安全保護である。 リスクカバレッジ曲線(RC)は、データカバレッジ率と受け入れられたデータのパフォーマンスの間のトレードオフを明らかにする。 本稿では,最適RC曲線(E-AUoptRC)に基づくエクササイズ領域を提案する。
  論文  参考訳（メタデータ） (2023-08-06T18:11:42Z)
• Adaptive Certified Training: Towards Better Accuracy-Robustness Tradeoffs [17.46692880231195]
  本稿では,適応型認定ラジイを用いたトレーニングがモデルの精度と堅牢性の向上に役立つというキーインサイトに基づく,新しい認定トレーニング手法を提案する。 提案手法の有効性を,MNIST,CIFAR-10,TinyImageNetデータセットに示す。
  論文  参考訳（メタデータ） (2023-07-24T18:59:46Z)
• Meta-Learning Priors for Safe Bayesian Optimization [72.8349503901712]
  メタ学習アルゴリズムであるF-PACOHを構築し,データ不足の設定において確実な定量化を実現する。 コアコントリビューションとして、安全に適合した事前をデータ駆動で選択するための新しいフレームワークを開発する。 ベンチマーク関数と高精度動作系において,我々のメタ学習先行が安全なBOアプローチの収束を加速することを示す。
  論文  参考訳（メタデータ） (2022-10-03T08:38:38Z)
• PixMix: Dreamlike Pictures Comprehensively Improve Safety Measures [65.36234499099294]
  フラクタルなどの画像の自然な構造的複雑さを利用した新しいデータ拡張戦略を提案する。 この課題に対処するために、フラクタルなどの画像の自然な構造的複雑さを利用した新しいデータ拡張戦略を設計する。
  論文  参考訳（メタデータ） (2021-12-09T18:59:31Z)

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。