論文の概要: Failure Modes for Deep Learning-Based Online Mapping: How to Measure and Address Them
- arxiv url: http://arxiv.org/abs/2603.19852v1
- Date: Fri, 20 Mar 2026 11:09:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 19:48:39.113007
- Title: Failure Modes for Deep Learning-Based Online Mapping: How to Measure and Address Them
- Title（参考訳）: ディープラーニングベースのオンラインマッピングのための障害モード - テーマの測定と対処方法
- Authors: Michael Hubbertz, Qi Han, Tobias Meisen,
- Abstract要約: 本稿では、入力特徴の記憶と、既知の地図測地への過度な適合の2つの効果を解消して、基礎となる障害モードを特定し、測定するフレームワークを提案する。
しきい値調整なしで要素単位の形状の忠実度をキャプチャするフレシェ距離に基づく再構成統計を導入する。
MSTに基づくスペーシフィケーション戦略を定式化し、冗長性を低減し、トレーニングサイズを縮小しながらバランスと性能を向上させる。
- 参考スコア（独自算出の注目度）: 10.503307305047487
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning-based online mapping has emerged as a cornerstone of autonomous driving, yet these models frequently fail to generalize beyond familiar environments. We propose a framework to identify and measure the underlying failure modes by disentangling two effects: Memorization of input features and overfitting to known map geometries. We propose measures based on evaluation subsets that control for geographical proximity and geometric similarity between training and validation scenes. We introduce Fréchet distance-based reconstruction statistics that capture per-element shape fidelity without threshold tuning, and define complementary failure-mode scores: a localization overfitting score quantifying the performance drop when geographic cues disappear, and a map geometry overfitting score measuring degradation as scenes become geometrically novel. Beyond models, we analyze dataset biases and contribute map geometry-aware diagnostics: A minimum-spanning-tree (MST) diversity measure for training sets and a symmetric coverage measure to quantify geometric similarity between splits. Leveraging these, we formulate an MST-based sparsification strategy that reduces redundancy and improves balancing and performance while shrinking training size. Experiments on nuScenes and Argoverse 2 across multiple state-of-the-art models yield more trustworthy assessment of generalization and show that map geometry-diverse and balanced training sets lead to improved performance. Our results motivate failure-mode-aware protocols and map geometry-centric dataset design for deployable online mapping.
- Abstract（参考訳）: ディープラーニングに基づくオンラインマッピングは、自動運転の基盤として現れてきたが、これらのモデルは、よく知られた環境を超えた一般化に失敗することが多い。
本稿では、入力特徴の記憶と、既知の地図測地への過度な適合の2つの効果を解消して、基礎となる障害モードを特定し、測定するフレームワークを提案する。
評価サブセットを用いて,トレーニングシーンと検証シーンの地理的近接度と幾何学的類似度を制御する手法を提案する。
本稿では、しきい値調整なしで要素単位の形状の忠実度を捉えるフレシェ距離に基づく再構成統計を導入し、地理的な手がかりが消える際の性能低下を定量化するための局所化オーバーフィッティングスコアと、風景が幾何学的に新しくなるにつれて劣化を測定するマップ幾何オーバーフィッティングスコアと、相補的な失敗モードスコアを定義する。
モデルを超えて、データセットのバイアスを分析し、地図幾何認識診断に寄与する: トレーニングセットのための最小スパンニングツリー(MST)多様性尺度と、分割間の幾何学的類似性を定量化するための対称カバレッジ尺度。
これらを活用することで、トレーニングサイズを縮小しながら冗長性を低減し、バランスとパフォーマンスを改善したMSTベースのスペーサー化戦略を定式化する。
複数の最先端モデルにわたるnuScenesとArgoverse 2の実験は、より信頼性の高い一般化の評価をもたらし、地図幾何学の多様性とバランスの取れたトレーニングセットが性能の向上につながることを示す。
この結果から, フェールモード対応プロトコルと, 配置可能なオンラインマッピングのためのジオメトリ中心のデータセット設計のモチベーションが得られた。
関連論文リスト
- VIGOR: VIdeo Geometry-Oriented Reward for Temporal Generative Alignment [15.619170225414571]
ビデオ拡散モデルは、トレーニング中に明らかな幾何学的監督が欠如し、矛盾したアーティファクトにつながった。
本稿では,事前学習した幾何学的基礎モデルを利用して,多視点の一貫性を評価する幾何学的報酬モデルを提案する。
提案手法は, 誤差計算をポイントワイズで行うことにより, より物理的に基礎的かつロバストな誤差測定値が得られる。
論文 参考訳（メタデータ） (2026-03-17T09:04:10Z) - Graph Smoothing for Enhanced Local Geometry Learning in Point Cloud Analysis [19.545338629365894]
グラフベースの手法は、3Dポイントクラウド分析のポイント間の関係を捉えるのに有効であることが証明されている。
これらの手法は、境界点における疎結合とジャンクション領域におけるノイズ結合により、しばしば準最適グラフ構造に悩まされる。
グラフ構造を最適化し、信頼できないスパース接続とノイズ接続の負の影響を最小限に抑えるために設計されたグラフ平滑化モジュールを導入する。
論文 参考訳（メタデータ） (2026-01-16T09:01:44Z) - MS-ISSM: Objective Quality Assessment of Point Clouds Using Multi-scale Implicit Structural Similarity [65.85858856481131]
点雲の非構造的で不規則な性質は、客観的品質評価(PCQA)に重大な課題をもたらす
マルチスケールインシシシット構造類似度測定(MS-ISSM)を提案する。
論文 参考訳（メタデータ） (2026-01-03T14:58:52Z) - Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。
提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。
本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
論文 参考訳（メタデータ） (2025-06-26T11:53:59Z) - G-MSM: Unsupervised Multi-Shape Matching with Graph-based Affinity
Priors [52.646396621449]
G-MSMは、非剛体形状対応のための新しい教師なし学習手法である。
学習形態の集合に親和性グラフを自己教師型で構築する。
近年の形状対応ベンチマークで最先端の性能を示す。
論文 参考訳（メタデータ） (2022-12-06T12:09:24Z) - Deep Networks on Toroids: Removing Symmetries Reveals the Structure of
Flat Regions in the Landscape Geometry [3.712728573432119]
我々は、すべての対称性を除去し、トロイダルトポロジーをもたらす標準化されたパラメータ化を開発する。
最小化器の平坦性とそれらの接続する測地線経路の有意義な概念を導出する。
また、勾配勾配の変種によって発見された最小化器は、ゼロエラー経路と1つの曲がり角で接続可能であることも見いだした。
論文 参考訳（メタデータ） (2022-02-07T09:57:54Z) - Deep Relational Metric Learning [84.95793654872399]
本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。
我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。
広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
論文 参考訳（メタデータ） (2021-08-23T09:31:18Z) - Visual SLAM with Graph-Cut Optimized Multi-Plane Reconstruction [11.215334675788952]
本稿では,インスタンス平面セグメンテーションネットワークからのキューを用いたポーズ推定とマッピングを改善する意味平面SLAMシステムを提案する。
メインストリームのアプローチはRGB-Dセンサーを使用するが、そのようなシステムを備えた単眼カメラを使うことは、ロバストデータアソシエーションや正確な幾何モデルフィッティングといった課題に直面している。
論文 参考訳（メタデータ） (2021-08-09T18:16:08Z) - CAMERAS: Enhanced Resolution And Sanity preserving Class Activation
Mapping for image saliency [61.40511574314069]
バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。
CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
論文 参考訳（メタデータ） (2021-06-20T08:20:56Z) - GELATO: Geometrically Enriched Latent Model for Offline Reinforcement
Learning [54.291331971813364]
オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。
本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。
提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
論文 参考訳（メタデータ） (2021-02-22T19:42:40Z)
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。