論文の概要: Comparative Analysis of Deep Learning Models for Perception in Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2512.21673v1
• Date: Thu, 25 Dec 2025 13:33:23 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-29 11:53:26.268453
• Title: Comparative Analysis of Deep Learning Models for Perception in Autonomous Vehicles
• Title（参考訳）: 自動運転車の認識のためのディープラーニングモデルの比較分析
• Authors: Jalal Khan,
• Abstract要約: 検出ベース認識タスクにおいて,YOLO-NASやYOLOv8などのDLモデルの性能を比較した。 分析の結果, YOLO-NASモデルと比較すると, YOLOv8sモデルはトレーニング時間の75%を節約できることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Recently, a plethora of machine learning (ML) and deep learning (DL) algorithms have been proposed to achieve the efficiency, safety, and reliability of autonomous vehicles (AVs). The AVs use a perception system to detect, localize, and identify other vehicles, pedestrians, and road signs to perform safe navigation and decision-making. In this paper, we compare the performance of DL models, including YOLO-NAS and YOLOv8, for a detection-based perception task. We capture a custom dataset and experiment with both DL models using our custom dataset. Our analysis reveals that the YOLOv8s model saves 75% of training time compared to the YOLO-NAS model. In addition, the YOLOv8s model (83%) outperforms the YOLO-NAS model (81%) when the target is to achieve the highest object detection accuracy. These comparative analyses of these new emerging DL models will allow the relevant research community to understand the models' performance under real-world use case scenarios.
• Abstract（参考訳）: 近年,自律走行車(AV)の効率,安全性,信頼性を達成するために,機械学習(ML)とディープラーニング(DL)アルゴリズムが提案されている。 AVは認識システムを使用して、他の車両、歩行者、道路標識を検出し、位置を特定し、特定し、安全なナビゲーションと意思決定を行う。 本稿では, YOLO-NAS や YOLOv8 を含む DL モデルの性能を, 検出に基づく知覚タスクとして比較する。 カスタムデータセットをキャプチャして、カスタムデータセットを使用して、両方のDLモデルを試しています。 分析の結果, YOLO-NASモデルと比較すると, YOLOv8sモデルはトレーニング時間の75%を節約できることがわかった。 さらに、YOLOv8sモデル(83%)は、対象物検出精度の高い場合に、YOLO-NASモデル(81%)を上回っている。 これらの新しいDLモデルの比較分析により、関連する研究コミュニティは実世界のユースケースシナリオ下でのモデルの性能を理解することができる。

関連論文リスト

• An Analytical Framework to Enhance Autonomous Vehicle Perception for Smart Cities [1.9923531555025622]
  道路上の複数の物体を正確に知覚し、運転者の認識を予測して車の動作を制御するモデルを開発する必要がある。 本稿では,AVの認識システムによる運転環境の理解を可能にするユーティリティベース分析モデルを提案する。
  論文  参考訳（メタデータ） (2025-10-15T07:34:22Z)
• YOLO for Knowledge Extraction from Vehicle Images: A Baseline Study [0.20482269513546458]
  本研究は, YOLO-v11, YOLO-World, YOLO-classの3つの最先端ディープラーニング手法の有効性を評価する。 このデータセットは、NSW Police Highway Patrol Vehiclesによって、困難かつ制約のない条件下で収集された。 このような複雑な実世界のデータセットで使用可能なモデルを得るためには、MVIを使う必要があると結論付けられた。
  論文  参考訳（メタデータ） (2025-07-25T05:31:21Z)
• EvaLearn: Quantifying the Learning Capability and Efficiency of LLMs via Sequential Problem Solving [76.73222429266964]
  EvaLearnは、大きな言語モデル(LLM)を学習能力と課題の効率性を評価するために設計されたベンチマークである。 9つのフロンティアモデルをベンチマークし、様々な性能プロファイルを観察する。 静的能力の強い現在のLLMは、全てのタスクにおいて学習能力に明らかな優位性を示すものではない。
  論文  参考訳（メタデータ） (2025-06-03T09:18:33Z)
• Optimizing YOLO Architectures for Optimal Road Damage Detection and Classification: A Comparative Study from YOLOv7 to YOLOv10 [0.0]
  本稿では,ディープラーニングモデルを用いた道路損傷検出のための総合ワークフローを提案する。 ハードウェアの制約を満たすため、大きな画像が収穫され、軽量モデルが利用される。 提案手法では,コーディネートアテンションレイヤを備えたカスタムYOLOv7モデルや,Tiny YOLOv7モデルなど,複数のモデルアーキテクチャを採用している。
  論文  参考訳（メタデータ） (2024-10-10T22:55:12Z)
• Guiding Attention in End-to-End Driving Models [49.762868784033785]
  模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。 トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。 従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
  論文  参考訳（メタデータ） (2024-04-30T23:18:51Z)
• Investigating YOLO Models Towards Outdoor Obstacle Detection For Visually Impaired People [3.4628430044380973]
  7種類のYOLOオブジェクト検出モデルが実装された。 YOLOv8は最高のモデルであることが判明し、その精度は80ドルに達し、よく知られたObstacleデータセットでは68.2%だった。 YOLO-NASは障害物検出作業に最適であることがわかった。
  論文  参考訳（メタデータ） (2023-12-10T13:16:22Z)
• Effective Robustness against Natural Distribution Shifts for Models with Different Training Data [113.21868839569]
  効果的ロバスト性」は、分配内(ID)性能から予測できる以上の余分な分配外ロバスト性を測定する。 異なるデータに基づいてトレーニングされたモデルの有効ロバスト性を評価・比較するための新しい評価指標を提案する。
  論文  参考訳（メタデータ） (2023-02-02T19:28:41Z)
• Performance Analysis of YOLO-based Architectures for Vehicle Detection from Traffic Images in Bangladesh [0.0]
  バングラデシュの交通画像から高速かつ正確な車両検出を行うのに最適なYOLOアーキテクチャを見つける。 モデルは、21種類の車両に属する7390の画像を含むデータセットで訓練された。 YOLOV5xは, YOLOv3モデルとYOLOv5sモデルよりそれぞれ7～4%, 精度は12～8.5%向上した。
  論文  参考訳（メタデータ） (2022-12-18T18:53:35Z)
• Simplifying Model-based RL: Learning Representations, Latent-space Models, and Policies with One Objective [142.36200080384145]
  自己整合性を維持しつつ高いリターンを達成するために,潜在空間モデルとポリシーを協調的に最適化する単一目的を提案する。 得られたアルゴリズムは, モデルベースおよびモデルフリーRL手法のサンプル効率に適合するか, 改善することを示した。
  論文  参考訳（メタデータ） (2022-09-18T03:51:58Z)

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。