論文の概要: A Machine Learning Perspective on Automated Driving Corner Cases

• arxiv url: http://arxiv.org/abs/2510.10653v1
• Date: Sun, 12 Oct 2025 15:18:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.050495
• Title: A Machine Learning Perspective on Automated Driving Corner Cases
• Title（参考訳）: 自動走行コーナケースの機械学習的視点
• Authors: Sebastian Schmidt, Julius Körner, Stephan Günnemann,
• Abstract要約: 本稿では,基礎となるデータ分布を考慮に入れた新しい機械学習手法を提案する。 個々のサンプルに対する認識に有効なコーナーケース認識のための枠組みを提案する。
• 参考スコア（独自算出の注目度）: 47.42055037776276
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For high-stakes applications, like autonomous driving, a safe operation is necessary to prevent harm, accidents, and failures. Traditionally, difficult scenarios have been categorized into corner cases and addressed individually. However, this example-based categorization is not scalable and lacks a data coverage perspective, neglecting the generalization to training data of machine learning models. In our work, we propose a novel machine learning approach that takes the underlying data distribution into account. Based on our novel perspective, we present a framework for effective corner case recognition for perception on individual samples. In our evaluation, we show that our approach (i) unifies existing scenario-based corner case taxonomies under a distributional perspective, (ii) achieves strong performance on corner case detection tasks across standard benchmarks for which we extend established out-of-distribution detection benchmarks, and (iii) enables analysis of combined corner cases via a newly introduced fog-augmented Lost & Found dataset. These results provide a principled basis for corner case recognition, underlining our manual specification-free definition.
• Abstract（参考訳）: 自動運転のような高度なアプリケーションには、危険や事故、障害を防ぐために安全な操作が必要である。 伝統的に、困難なシナリオはコーナーケースに分類され、個別に対処されてきた。 しかし、この例に基づく分類はスケーラブルではなく、データカバレッジの観点が欠如しており、機械学習モデルのトレーニングデータへの一般化を無視している。 本研究では,基礎となるデータ分布を考慮に入れた新しい機械学習手法を提案する。 新たな視点から,個々のサンプルに対する認識に有効なコーナーケース認識のための枠組みを提案する。 評価において、我々のアプローチは、 一 流通の観点から、既存のシナリオに基づくコーナーケース分類を統一すること。 (II) 確立された分布外検出ベンチマークを拡張した標準ベンチマークのコーナーケース検出タスクにおいて, 高い性能を実現する。 (iii)新たに導入された霧増量Lost & Foundデータセットを用いて,複合コーナーケースの分析を可能にする。 これらの結果はコーナーケース認識の原則的基礎を提供し、手動の仕様自由定義の基盤となる。

関連論文リスト

• Regularized Contrastive Partial Multi-view Outlier Detection [76.77036536484114]
  RCPMOD(Regularized Contrastive partial Multi-view Outlier Detection)と呼ばれる新しい手法を提案する。 このフレームワークでは、コントラスト学習を利用して、ビュー一貫性のある情報を学び、一貫性の度合いでアウトレイラを識別する。 4つのベンチマークデータセットによる実験結果から,提案手法が最先端の競合より優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-02T14:34:27Z)
• Criteria for Uncertainty-based Corner Cases Detection in Instance Segmentation [2.9419365092937086]
  予測の不確実性に基づくコーナーケースの基準を示す。 我々はCOCOとNuImagesデータセットを用いて各コーナーケース基準を評価する。 また、各対象を正正値(TP)、正値(False Positive)、正値(False Positive)、正値(False Positive)に区別できるコーナーケース決定関数も提供する。
  論文  参考訳（メタデータ） (2024-04-17T11:17:12Z)
• CC-SGG: Corner Case Scenario Generation using Learned Scene Graphs [6.131026007721575]
  コーナーケースシナリオは、自動運転車(AV)の安全性のテストと検証に不可欠なツールである 我々は、通常の運転シナリオをコーナーケースに変換するために、異種グラフニューラルネットワーク(HGNN)に基づく新しいアプローチを導入する。 我々のモデルは入力シーングラフからコーナーケースの生成を成功させ、テストデータセットで89.9%の精度で予測した。
  論文  参考訳（メタデータ） (2023-09-18T14:59:11Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Autoencoder Attractors for Uncertainty Estimation [13.618797548020462]
  本稿では,オートエンコーダモデルに基づく不確実性推定手法を提案する。 提案手法は,車室内における占有者分類の産業的応用だけでなく,いくつかのデータセットの組み合わせについても検討した。
  論文  参考訳（メタデータ） (2022-04-01T12:10:06Z)
• Learn then Test: Calibrating Predictive Algorithms to Achieve Risk Control [67.52000805944924]
  Learn then Test (LTT)は、機械学習モデルを校正するフレームワークである。 私たちの主な洞察は、リスクコントロール問題を複数の仮説テストとして再設計することです。 我々は、コンピュータビジョンの詳細な実例を用いて、コア機械学習タスクの新しいキャリブレーション手法を提供するために、我々のフレームワークを使用します。
  論文  参考訳（メタデータ） (2021-10-03T17:42:03Z)
• Unsupervised Learning of Debiased Representations with Pseudo-Attributes [85.5691102676175]
  教師なし方式で,単純かつ効果的な脱バイアス手法を提案する。 特徴埋め込み空間上でクラスタリングを行い、クラスタリング結果を利用して疑似属性を識別する。 次に,非偏り表現を学習するために,クラスタベースの新しい重み付け手法を用いる。
  論文  参考訳（メタデータ） (2021-08-06T05:20:46Z)
• An Application-Driven Conceptualization of Corner Cases for Perception in Highly Automated Driving [21.67019631065338]
  高度に自動化された運転において、コーナーケースのアプリケーション駆動ビューを提供する。 RADARとLiDARを追加することで、コーナーケースの既存のカメラフォーカスのシステム化を拡張します。 データ取得と処理のための模範的なツールチェーンについて説明する。
  論文  参考訳（メタデータ） (2021-03-05T13:56:37Z)
• Adversarial Examples for Unsupervised Machine Learning Models [71.81480647638529]
  回避予測を引き起こすアドリラルな例は、機械学習モデルの堅牢性を評価し改善するために広く利用されている。 教師なしモデルに対する逆例生成の枠組みを提案し,データ拡張への新たな応用を実証する。
  論文  参考訳（メタデータ） (2021-03-02T17:47:58Z)
• Corner case data description and detection [3.4954795813842185]
  コーナーケースと関連する検出は、安全およびセキュリティクリティカルなシステムを構築するためのAI品質保証に不可欠です。 1つは、パラメータ/構造を調整することによって、DLモデルの堅牢性をコーナーケースデータに高めることです。 もう1つは、モデルの再トレーニングと改善のための新しいコーナーケースを生成することです。 本稿では,特定の指標を用いたコーナーケースデータ検出を目的とした,単純で新しい研究を提案する。
  論文  参考訳（メタデータ） (2021-01-07T11:26:20Z)

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。