論文の概要: Hyper-V2X: Hypernetworks for Estimating Epistemic and Aleatoric Uncertainty in Cooperative Bird's-Eye-View Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2605.21309v1
• Date: Wed, 20 May 2026 15:36:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.756228
• Title: Hyper-V2X: Hypernetworks for Estimating Epistemic and Aleatoric Uncertainty in Cooperative Bird's-Eye-View Semantic Segmentation
• Title（参考訳）: Hyper-V2X:Hybrinetworks for Eye-View Semantic Segmentation in Cooperative Bird's-Eye-View Semantic Segmentation (特集:バイオサイバネティックスとバイオサイバネティックス)
• Authors: Abhishek Dinkar Jagtap, Sanath Tiptur Sadashivaiah, Andreas Festag,
• Abstract要約: 本稿では,V2Xに基づく知覚において,両者の不確かさを推定するハイパーネットワークベースのフレームワークであるHyper-V2Xを紹介する。 我々のアプローチはアーキテクチャに依存しず、CoBEVTのような現代の協調的なバックボーンとシームレスに統合できる。
• 参考スコア（独自算出の注目度）: 0.5926203312586108
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cooperative perception enabled by Vehicle-to-Everything (V2X) communication enhances autonomous driving safety by creating a unified environmental representation through shared sensory data. While recent works have advanced multi-agent fusion for improved perception, uncertainty quantification in such cooperative frameworks remains largely unexplored. This paper introduces Hyper-V2X, a hypernetwork-based framework for estimating both epistemic and aleatoric uncertainties in V2X-based perception. Specifically, we propose a partial weight generation scheme and V2X context embedding module that conditions a Bayesian hypernetwork on fused multi-agent features to generate weight distributions for stochastic Bird's-Eye-View (BEV) segmentation. Unlike existing deterministic BEV models, Hyper-V2X enables efficient uncertainty estimation with little computation overhead. Our approach is architecture-agnostic, and can be seamlessly integrating with modern cooperative backbones such as CoBEVT. Experiments on the OPV2V benchmark demonstrate that Hyper-V2X provides accurate, well-calibrated uncertainty estimates and improves overall perception reliability. Our code and benchmark are publicly available under an open-source license: https://github.com/abhishekjagtap1/Hyper-V2X
• Abstract（参考訳）: 車両間コミュニケーション(V2X)通信によって実現された協調認識は、共有センサデータを通じて統一された環境表現を作成することにより、自律運転の安全性を高める。 近年の多エージェント融合は認識の向上に寄与しているが、そのような協調フレームワークにおける不確かさの定量化は未解明のままである。 本稿では,V2Xに基づく知覚において,エピステミックとアレター的不確実性の両方を推定するハイパーネットワークベースのフレームワークであるHyper-V2Xを紹介する。 具体的には,確率的バードズアイビュー(BEV)セグメンテーションのための重み分布を生成するために,融合マルチエージェント特徴に対してベイズハイパーネットワークを条件付ける部分重み生成方式とV2Xコンテキスト埋め込みモジュールを提案する。 既存の決定論的BEVモデルとは異なり、Hyper-V2Xは計算オーバーヘッドの少ない効率的な不確実性推定を可能にする。 我々のアプローチはアーキテクチャに依存しないものであり、CoBEVTのような現代の協調バックボーンとシームレスに統合することができる。 OPV2Vベンチマークの実験では、Hyper-V2Xは正確でよく校正された不確実性推定を提供し、全体的な知覚信頼性を向上させることが示されている。 私たちのコードとベンチマークは、オープンソースライセンスで公開されている。 https://github.com/abhishekjagtap1/Hyper-V2X。

関連論文リスト

• End-to-End 3D Spatiotemporal Perception with Multimodal Fusion and V2X Collaboration [7.235781104512231]
  X-2V2Xは、v2xコラボレーションのためのマルチモーダルフューズされたエンドツーエンドフレームワークである。 共有表現内でのマルチビューマルチモーダルセンシングを統一する。 X-V2Xは複雑な交通シナリオにおいて頑健で時間的に安定した認識を実現する。
  論文  参考訳（メタデータ） (2025-12-26T02:20:22Z)
• QuantV2X: A Fully Quantized Multi-Agent System for Cooperative Perception [47.35478308553379]
  textbfQuantV2Xは、協調知覚の効率的な展開のための、最初の完全量子化されたマルチエージェントシステムである。 低ビットの制約の下で動作しているにもかかわらず、QuantV2Xは完全精度のシステムに匹敵する精度を達成している。 その結果,実世界展開のための完全量子化マルチエージェント中間核融合システムの実現可能性を強調した。
  論文  参考訳（メタデータ） (2025-09-03T20:39:03Z)
• Generate Realistic Test Scenes for V2X Communication Systems [16.608937542327418]
  我々は,V2X協調認識システムのための自動テストツールであるV2XGenを設計,実装する。 V2XGenは、現実的な協調オブジェクトインスタンスを生成し、それらを背景データに戦略的に配置するために、高忠実なアプローチを利用する。 本稿では,V2XGen 上で異なる融合方式による複数の協調認識システムを用いて実験を行い,その性能評価を行う。
  論文  参考訳（メタデータ） (2025-06-09T04:35:53Z)
• Mixed Signals: A Diverse Point Cloud Dataset for Heterogeneous LiDAR V2X Collaboration [57.3519952529079]
  車両間協調認識(V2X)は、単車知覚システムの限界に対処するための有望な解決策として登場した。 これらのギャップに対処するために、45.1kの点雲と240.6kのバウンディングボックスを備えた総合的なV2XデータセットであるMixed Signalsを紹介した。 私たちのデータセットは10クラスのポイントクラウドとバウンディングボックスアノテーションを提供し、認識トレーニングのための信頼性の高いデータを確保します。
  論文  参考訳（メタデータ） (2025-02-19T23:53:00Z)
• CooPre: Cooperative Pretraining for V2X Cooperative Perception [47.00472259100765]
  CooPreは、V2X協調知覚のための自己教師型学習フラムワークである。 異種V2Xエージェント間の3D特徴に効果的に注意を向けることのできる,V2Xバードアイビュー(BEV)ガイドマスキング戦略を開発した。 CooPreはV2X-Realデータセットで4%のmAP改善を実現し、トレーニングデータの50%しか使用せず、ベースラインのパフォーマンスを上回っている。
  論文  参考訳（メタデータ） (2024-08-20T23:39:26Z)
• Hybrid-Generative Diffusion Models for Attack-Oriented Twin Migration in Vehicular Metaverses [58.264499654343226]
  Vehicle Twins (VTs) は、Vehicular Metaverse Users (VMUs) 向けに没入型仮想サービスを提供するデジタルツインである。 車両の高モビリティ、エッジサーバの不均一なデプロイ、潜在的なセキュリティ脅威は、効率的で信頼性の高いVTマイグレーションを実現する上での課題である。 車両メタバースにおけるセキュアで信頼性の高いVTマイグレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-05T11:11:33Z)
• V2X-ViT: Vehicle-to-Everything Cooperative Perception with Vision Transformer [58.71845618090022]
  我々は、道路上のエージェント間で情報を融合するために、V2X-ViTという全体論的アテンションモデルを構築した。 V2X-ViTは異質なマルチエージェント自己アテンションとマルチスケールウィンドウ自己アテンションの交互層から構成される。 我々のアプローチを検証するために、我々は大規模なV2X知覚データセットを作成します。
  論文  参考訳（メタデータ） (2022-03-20T20:18:25Z)

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。