論文の概要: Online Monitoring Framework for Automotive Time Series Data using JEPA Embeddings

• arxiv url: http://arxiv.org/abs/2602.09985v1
• Date: Tue, 10 Feb 2026 17:10:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.698239
• Title: Online Monitoring Framework for Automotive Time Series Data using JEPA Embeddings
• Title（参考訳）: JEPA埋め込みを用いた自動車時系列データのオンラインモニタリングフレームワーク
• Authors: Alexander Fertig, Karthikeyan Chandra Sekaran, Lakshman Balasubramanian, Michael Botsch,
• Abstract要約: 本研究では,オブジェクト状態表現の異常を検出するオンラインモニタリングフレームワークを提案する。 JEPAベースの自己教師型予測タスクが構築され、異常ラベルのないトレーニングが可能になる。 結果として表現力のあるJEPA埋め込みは、確立された異常検出方法の入力として機能する。
• 参考スコア（独自算出の注目度）: 42.21870009971486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As autonomous vehicles are rolled out, measures must be taken to ensure their safe operation. In order to supervise a system that is already in operation, monitoring frameworks are frequently employed. These run continuously online in the background, supervising the system status and recording anomalies. This work proposes an online monitoring framework to detect anomalies in object state representations. Thereby, a key challenge is creating a framework for anomaly detection without anomaly labels, which are usually unavailable for unknown anomalies. To address this issue, this work applies a self-supervised embedding method to translate object data into a latent representation space. For this, a JEPA-based self-supervised prediction task is constructed, allowing training without anomaly labels and the creation of rich object embeddings. The resulting expressive JEPA embeddings serve as input for established anomaly detection methods, in order to identify anomalies within object state representations. This framework is particularly useful for applications in real-world environments, where new or unknown anomalies may occur during operation for which there are no labels available. Experiments performed on the publicly available, real-world nuScenes dataset illustrate the framework's capabilities.
• Abstract（参考訳）: 自動運転車のロールアウトに伴い、安全運転を確保するための措置が講じられる。 運用中のシステムを監視するために,監視フレームワークが頻繁に使用される。 これらはバックグラウンドで連続的にオンラインで実行され、システムの状態を監視し、異常を記録する。 本研究では,オブジェクト状態表現の異常を検出するオンラインモニタリングフレームワークを提案する。 これにより、重要な課題は、未知の異常に対して通常利用できない異常ラベルのない異常検出のためのフレームワークを作成することである。 この問題に対処するために、オブジェクトデータを潜在表現空間に変換するための自己教師付き埋め込み手法を適用する。 このためにJEPAベースのセルフ教師付き予測タスクが構築され、異常ラベルのないトレーニングとリッチなオブジェクト埋め込みの作成が可能になる。 結果として表現力のあるJEPA埋め込みは、オブジェクト状態表現内の異常を識別するために、確立された異常検出メソッドの入力として機能する。 このフレームワークは、ラベルがない操作中に新しいまたは未知の異常が発生するような現実世界の環境でのアプリケーションに特に有用である。 公開されている実世界のnuScenesデータセットで実施された実験は、フレームワークの機能を示している。

関連論文リスト

• Verification of Visual Controllers via Compositional Geometric Transformations [49.81690518952909]
  到達可能な集合の外部近似を生成できる知覚ベースのコントローラのための新しい検証フレームワークを提案する。 提案手法の音質を理論的に保証し,ベンチマーク制御環境における有効性を示す。
  論文  参考訳（メタデータ） (2025-07-06T20:22:58Z)
• Vision Foundation Model Embedding-Based Semantic Anomaly Detection [12.940376547110509]
  この研究は、最先端のビジョン基盤モデルのセマンティックな先行性を活用することによって、意味的異常の検出を探索する。 本稿では,ランタイム画像からの局所的な視覚埋め込みと,自律システムの安全性と性能を考慮に入れた,名目上のシナリオのデータベースを比較するフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-12T19:00:29Z)
• Seamless Detection: Unifying Salient Object Detection and Camouflaged Object Detection [73.85890512959861]
  本稿では,SOD(Salient Object Detection)とCOD(Camouflaged Object Detection)を統合化するためのタスク非依存フレームワークを提案する。 我々は、間隔層と大域的コンテキストを含む単純で効果的なコンテキストデコーダを設計し、67fpsの推論速度を実現する。 公開SODデータセットとCODデータセットの実験は、教師なし設定と教師なし設定の両方において、提案したフレームワークの優位性を実証している。
  論文  参考訳（メタデータ） (2024-12-22T03:25:43Z)
• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• Finding Dino: A Plug-and-Play Framework for Zero-Shot Detection of Out-of-Distribution Objects Using Prototypes [12.82756672393553]
  ラベルを含まないプロトタイプによるOOD検出(PROWL) プラグアンドプレイフレームワーク-PRototype-based OOD Detection Without Labels (PROWL)を提案する。 これは、ドメインデータセットのトレーニングを必要とせず、自己教師付き事前訓練モデルから関連する特徴を抽出することに依存する推論ベースの手法である。 ロードドライブベンチマークで提供されるRoadAnomalyとRoadObstacleのデータセットの最先端結果を達成する。
  論文  参考訳（メタデータ） (2024-04-11T11:55:42Z)
• Real-Time Outlier Detection with Dynamic Process Limits [0.609170287691728]
  本稿では,既存のリアルタイムインフラストラクチャを対象としたオンライン異常検出アルゴリズムを提案する。 オンライン逆累積分布に基づく手法を導入し、オフライン異常検出器の一般的な問題を排除した。 提案手法の利点は, 実マイクログリッド演算データの2例に示すように, 使いやすさ, 高速計算, 展開性である。
  論文  参考訳（メタデータ） (2023-01-31T10:23:02Z)
• 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)
• Anomaly Detection by One Class Latent Regularized Networks [36.67420338535258]
  近年,GANに基づく半教師付きジェネレーティブ・アドバイザリアル・ネットワーク(GAN)手法が,異常検出タスクで人気を集めている。 遅延特徴空間でトレーニングデータの基盤となる構造を捕捉する新しい対角デュアルオートエンコーダネットワークを提案する。 実験の結果,MNISTおよびCIFAR10データセットおよびGTSRB停止信号データセットの最先端結果が得られた。
  論文  参考訳（メタデータ） (2020-02-05T02:21:52Z)

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。