論文の概要: UECP: Uncertainty-Enhanced Collaborative Perception

• arxiv url: http://arxiv.org/abs/2606.23046v1
• Date: Mon, 22 Jun 2026 08:55:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 00:34:03.437988
• Title: UECP: Uncertainty-Enhanced Collaborative Perception
• Title（参考訳）: UECP: 不確実性を高める協調知覚
• Authors: Kang Yang, Tianci Bu, Peng Wang, Deying Li, Wen Jie, Yongcai Wang,
• Abstract要約: 協調的知覚は、自律運転における個々のエージェントの知覚能力を高めるために重要な解決策となる。 既存の手法は通常、検出結果と相関する信頼マップに依存しており、従って不偏の物理的証拠を与えることができない。 本稿ではまず,知覚の質を評価するための不確実性マップを提案する。 我々は,不確かさを意識したピラミッド融合モジュールを中心に,不確実性強化協調知覚フレームワークを開発した。
• 参考スコア（独自算出の注目度）: 15.846318270344641
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collaborative perception serves as a pivotal solution to enhance the perception capability of individual agents in autonomous driving, where a core challenge lies in seeking reliable evidence to quantify and weight the contribution of each participating agent. Existing methods typically rely on a confidence map, which is co-trained with the detection head, but it is inherently correlated with the detection results and thus fails to provide unbiased physical evidence. Furthermore, how to deeply integrate evidence into the cooperative fusion process remains an open question. To address these issues, this paper first proposes an uncertainty map, a physically grounded and unambiguous metric for evaluating perception quality. This map is directly supervised by real-time sensor signals, i.e., LiDAR point density, ensuring decoupling from detection noise and thereby providing physical scenario-aware evidence for weighting agent contribution. Based on this map, we develop the Uncertainty-Enhanced Collaborative Perception (UECP) framework, centered on the Uncertainty-Aware Pyramid Fusion (UAPF) module. UAPF uses a coarse-to-fine strategy, with two key components: Uncertainty-Weighted Downsampling (UWD) for high-fidelity feature preservation, and Uncertainty-Guided Residual Fusion (UGRF) to reinforce ego features, suppressing noise and ensuring robust fusion. Extensive experiments on real-world datasets show UECP outperforms state-of-the-art methods in effectiveness and robustness by embedding the uncertainty map into fusion. Code will be publicly available.
• Abstract（参考訳）: 協調的知覚は、自律運転における個々のエージェントの知覚能力を高めるための重要な解決策であり、そこでは、各エージェントの貢献を定量化し、重み付けするための信頼できる証拠を求めることが、主要な課題である。 既存の手法は、通常、検出ヘッドと共同で訓練された信頼マップに依存するが、本質的には検出結果と相関しており、従って不偏の物理的証拠を与えることができない。 さらに、どのようにして証拠を協調融合プロセスに深く統合するかは、未解決の問題である。 これらの課題に対処するため,本論文ではまず,知覚の質を評価するための不確実性マップ,物理的基盤とあいまいな指標を提案する。 このマップは、リアルタイムセンサ信号、すなわちLiDAR点密度によって直接監視され、検出ノイズからの分離を確実にし、加重剤の物理的証拠を提供する。 このマップに基づいて,不確実性対応ピラミッド融合(UAPF)モジュールを中心に,不確実性強化協調知覚(UECP)フレームワークを開発する。 UAPFは、高忠実度特徴保存のための不確実性重み付きダウンサンプリング(UWD)と、エゴ特性の強化、ノイズの抑制、堅牢な融合を保証するために不確実性ガイド型残留核融合(UGRF)の2つの重要な構成要素を持つ粗大化戦略を使用している。 実世界のデータセットに対する大規模な実験により、UECPは不確実性マップを融合に埋め込むことにより、有効性と堅牢性において最先端の手法より優れていることが示された。 コードは公開されます。

関連論文リスト

• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• From Decoupled to Coupled: Robustness Verification for Learning-based Keypoint Detection with Joint Specifications [11.371752627865929]
  キーポイント検出は、ポーズ推定、視点回復、3D再構成など、多くの視覚タスクの基盤となる。 その重要性にもかかわらず、キーポイント検出器の形式的ロバスト性検証は、高次元入力と連続座標出力のためにほとんど探索されていない。 熱マップに基づくキーポイント検出のための最初の結合ロバスト性検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-05T19:01:53Z)
• Illusions of Confidence? Diagnosing LLM Truthfulness via Neighborhood Consistency [78.91846841708586]
  完全な自己整合性で答えられた事実でさえ、軽微な文脈干渉の下で急速に崩壊することを示します。 本研究では,概念的近傍における応答コヒーレンスを評価する信念の構造尺度であるNighbor-Consistency Belief(NCB)を提案する。 また、文脈不変の信念構造を最適化し、長い知識の脆さを約30%低減する構造意識訓練(SAT)を提案する。
  論文  参考訳（メタデータ） (2026-01-09T16:23:21Z)
• ParamMute: Suppressing Knowledge-Critical FFNs for Faithful Retrieval-Augmented Generation [91.20492150248106]
  本研究では,不誠実な生成の背後にある内部メカニズムを解明し,不均等に活性化される中深度フィードフォワードネットワーク(FFN)のサブセットを同定する。 本研究では,不信感関連FFNの活性化を抑制することにより,文脈的忠実度を向上させるフレームワークであるParametric Knowledge Mutingを提案する。 実験結果から,ParamMuteはCoFaithfulQAと確立されたConFiQAベンチマークの両方の信頼度を大幅に向上し,パラメトリックメモリへの依存度を大幅に低下させることが示された。
  論文  参考訳（メタデータ） (2025-02-21T15:50:41Z)
• A privacy-preserving distributed credible evidence fusion algorithm for collective decision-making [16.67762257337951]
  本稿では,3レベルコンセンサス(PCEF)を用いたプライバシ保存型分散信頼性エビデンス融合法を提案する。 シミュレーションの結果,PCEF は信頼性と融合性の両方において CCEF に近づき,既存の手法よりも少ない時間消費で高い判定精度が得られることがわかった。
  論文  参考訳（メタデータ） (2024-12-03T03:36:42Z)
• Credible fusion of evidence in distributed system subject to cyberattacks [2.5539863252714636]
  本稿では,サイバー攻撃に対する信頼性のある証拠融合のためのアルゴリズムを提案する。 我々は、証拠融合の3つの要件、すなわち、証拠のプライバシーを保護し、攻撃者を識別し、証拠を除外することに焦点を当てる。 通常のノードの状態はWAVCCMEに収束することが示され、攻撃者の証拠は融合から除外される。
  論文  参考訳（メタデータ） (2024-11-29T13:46:04Z)
• What If the Input is Expanded in OOD Detection? [77.37433624869857]
  Out-of-distriion (OOD) 検出は未知のクラスからのOOD入力を特定することを目的としている。 In-distriion(ID)データと区別するために,様々なスコアリング関数を提案する。 入力空間に異なる共通の汚職を用いるという、新しい視点を導入する。
  論文  参考訳（メタデータ） (2024-10-24T06:47:28Z)

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。