論文の概要: SyNeT: Synthetic Negatives for Traversability Learning

• arxiv url: http://arxiv.org/abs/2602.00814v2
• Date: Tue, 03 Feb 2026 03:56:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 13:28:03.709934
• Title: SyNeT: Synthetic Negatives for Traversability Learning
• Title（参考訳）: SyNeT: トレーサビリティ学習のための合成ネガティクス
• Authors: Bomena Kim, Hojun Lee, Younsoo Park, Yaoyu Hu, Sebastian Scherer, Inwook Shim,
• Abstract要約: 本稿では, 可塑性, 非可逆性を表す合成陰性を明示的に構築し, 視覚に基づく可逆性学習に統合する手法を提案する。 我々のアプローチは、Positive-Unlabeled (PU)とPositive-Negative (PN)の両方のフレームワークにシームレスに統合可能なトレーニング戦略として定式化されています。 この評価は、追加のマニュアルラベリングを使わずに、非トラバース可能な領域を一貫して識別するモデルの能力を間接的に測定する手段を提供する。
• 参考スコア（独自算出の注目度）: 6.858933346270489
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable traversability estimation is crucial for autonomous robots to navigate complex outdoor environments safely. Existing self-supervised learning frameworks primarily rely on positive and unlabeled data; however, the lack of explicit negative data remains a critical limitation, hindering the model's ability to accurately identify diverse non-traversable regions. To address this issue, we introduce a method to explicitly construct synthetic negatives, representing plausible but non-traversable, and integrate them into vision-based traversability learning. Our approach is formulated as a training strategy that can be seamlessly integrated into both Positive-Unlabeled (PU) and Positive-Negative (PN) frameworks without modifying inference architectures. Complementing standard pixel-wise metrics, we introduce an object-centric FPR evaluation approach that analyzes predictions in regions where synthetic negatives are inserted. This evaluation provides an indirect measure of the model's ability to consistently identify non-traversable regions without additional manual labeling. Extensive experiments on both public and self-collected datasets demonstrate that our approach significantly enhances robustness and generalization across diverse environments. The source code and demonstration videos will be publicly available.
• Abstract（参考訳）: 自律型ロボットが複雑な屋外環境を安全にナビゲートするには、信頼性の高い走行性推定が不可欠である。 既存の自己教師付き学習フレームワークは、主に正および未ラベルのデータに依存しているが、明示的な負のデータがないことは重要な制限であり、モデルがさまざまな非トラバース可能な領域を正確に識別する能力を妨げている。 この問題に対処するために、我々は、可塑性だが非可逆性を表す合成陰性を明示的に構築し、それらを視覚に基づく可視的可視性学習に統合する手法を提案する。 我々のアプローチは、推論アーキテクチャを変更することなく、Positive-Unlabeled (PU)とPositive-Negative (PN)の両方のフレームワークにシームレスに統合できるトレーニング戦略として定式化されています。 標準的な画素単位のメトリクスを補完し、合成陰性が挿入される領域の予測を解析するオブジェクト中心FPR評価手法を導入する。 この評価は、追加のマニュアルラベリングを使わずに、非トラバース可能な領域を一貫して識別するモデルの能力を間接的に測定する手段を提供する。 公開データセットと自己収集データセットの両方に対する大規模な実験により、我々のアプローチは多様な環境におけるロバストネスと一般化を著しく向上させることが示された。 ソースコードとデモビデオが公開されている。

関連論文リスト

• Reference-Specific Unlearning Metrics Can Hide the Truth: A Reality Check [60.77691669644931]
  本研究では,非学習モデルと参照モデル間の分布類似度を測定する新しい尺度であるFADE(Functional Alignment for Distributional Equivalence)を提案する。 FADEは出力分布全体の機能的アライメントをキャプチャし、真の未学習の原則的評価を提供する。 これらの知見は、現在の評価実践における根本的なギャップを明らかにし、FADEが真に効果的な未学習手法を開発し評価するための、より堅牢な基盤を提供することを示した。
  論文  参考訳（メタデータ） (2025-10-14T20:50:30Z)
• CASC-AI: Consensus-aware Self-corrective Learning for Noise Cell Segmentation [8.50335568530725]
  高解像度ギガピクセル全スライド画像における多クラス細胞セグメンテーションは様々な臨床応用に不可欠である。 近年の取り組みは、医療の専門知識を持たないレイアノテータを巻き込むことによって、このプロセスを民主化している。 本稿では,Consensus Matrixを利用して学習プロセスをガイドする,コンセンサス対応の自己修正型AIエージェントを提案する。
  論文  参考訳（メタデータ） (2025-02-11T06:58:50Z)
• I Bet You Did Not Mean That: Testing Semantic Importance via Betting [8.909843275476264]
  我々は、条件付き独立性を用いて不透明モデルの予測に対する意味論的概念のグローバル(すなわち人口以上)とローカル(すなわちサンプル)の統計的重要性を定式化する。 我々は、シーケンシャルなカーネル化独立テストという最近の考え方を用いて、概念間の重要度を誘導し、我々のフレームワークの有効性と柔軟性を示す。
  論文  参考訳（メタデータ） (2024-05-29T14:51:41Z)
• Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
  補完ラベル学習は、弱教師付き学習問題である。 均一分布仮定に依存しない一貫したアプローチを提案する。 相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
  論文  参考訳（メタデータ） (2023-11-27T02:59:17Z)
• Non-Parametric Outlier Synthesis [35.20765580915213]
  アウト・オブ・ディストリビューション(OOD)検出は、機械学習モデルを野生に安全にデプロイするのに不可欠である。 我々は,OOD学習データを生成する新しいフレームワークであるNon-Parametric Outlier Synthesis (NPOS)を提案する。 提案手法は, 数学的にリジェクションサンプリングフレームワークとして解釈できることを示す。
  論文  参考訳（メタデータ） (2023-03-06T08:51:00Z)
• Confident Sinkhorn Allocation for Pseudo-Labeling [40.883130133661304]
  半教師付き学習は、ラベル付きデータへの機械学習の依存を減らす重要なツールである。 本稿では,疑似ラベル作成における不確実性の役割を理論的に研究し,CSA(Confident Sinkhorn Allocation)を提案する。 CSAは、信頼度の高いサンプルのみへの最適な輸送を通して、最高の擬似ラベル割り当てを特定する。
  論文  参考訳（メタデータ） (2022-06-13T02:16:26Z)
• Dense Out-of-Distribution Detection by Robust Learning on Synthetic Negative Data [1.7474352892977458]
  道路走行シーンとリモートセンシング画像における分布外異常の検出方法を示す。 我々は,カバレッジ指向学習の目的と異なる解像度でサンプルを生成する能力により,共同で訓練された正規化フローを活用する。 結果として得られたモデルは、道路走行シーンとリモートセンシング画像におけるアウト・オブ・ディストリビューション検出のためのベンチマークに、新たな技術状況を設定した。
  論文  参考訳（メタデータ） (2021-12-23T20:35:10Z)
• A Free Lunch for Unsupervised Domain Adaptive Object Detection without Source Data [69.091485888121]
  教師なしドメイン適応(unsupervised domain adaptation) ソースとターゲットのドメインデータは自由に利用でき、通常、ドメイン間のギャップを減らすために一緒に訓練される。 ノイズの多いラベルで学習する問題にモデル化することで,ソースデータのないドメイン適応オブジェクト検出(SFOD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-10T01:42:35Z)
• Guided Uncertainty-Aware Policy Optimization: Combining Learning and Model-Based Strategies for Sample-Efficient Policy Learning [75.56839075060819]
  従来のロボットのアプローチは、環境の正確なモデル、タスクの実行方法の詳細な説明、現在の状態を追跡するための堅牢な認識システムに依存している。 強化学習アプローチは、タスクを記述するための報酬信号だけで、生の感覚入力から直接操作することができるが、非常にサンプル非効率で脆弱である。 本研究では,ロボットの知覚・運動パイプラインにおける不正確さを克服できる一般的な手法を得るために,モデルに基づく手法の強みと学習に基づく手法の柔軟性を組み合わせる。
  論文  参考訳（メタデータ） (2020-05-21T19:47:05Z)

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。