論文の概要: Von Mises Based Uncertainty Quantification for Closely Spaced Automotive Radar Targets

• arxiv url: http://arxiv.org/abs/2606.31473v1
• Date: Tue, 30 Jun 2026 10:49:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.184555
• Title: Von Mises Based Uncertainty Quantification for Closely Spaced Automotive Radar Targets
• Title（参考訳）: Von Mises を用いたクローズドスペース自動車用レーダーターゲットの不確かさ定量化
• Abstract要約: 本研究は,自動車レーダの到達方向推定(DOA)に対する不確実性を考慮した深層学習手法について検討する。 円形のvon Mises(VM)アンサンブル(ENS)を、通常の逆ガンマ定式化に基づく明らかな深層学習(EDL)フレームワークと比較する。 ENSは名目条件下では低い不確実性を実現し、重度の摂動に対して強い感度を示す一方、EDLはよりスムーズな不確実性変化とわずかに改善されたランキング整合性を提供する。
• 参考スコア（独自算出の注目度）: 0.5378499388029053
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work investigates uncertainty-aware deep learning approaches for direction of arrival (DOA) estimation in automotive radar, focusing on probabilistic modeling and downstream integration. A circular-statistics-based von Mises (VM) ensemble (ENS) is compared with an evidential deep learning (EDL) framework based on a normal inverse gamma formulation, yielding a Student t predictive distribution in the Euclidean domain. The ENS framework produces angular predictions parameterized by (mu, kappa), enabling interpretable uncertainty aligned with directional geometry. Performance is evaluated under in distribution and multiple out-of-distribution conditions using risk coverage and ROC or AUROC analyses. Results indicate that ENS achieves lower uncertainty under nominal conditions and exhibits stronger sensitivity to severe perturbations, whereas EDL provides smoother uncertainty variation and slightly improved ranking consistency. Importantly, the ENS representation enables direct probabilistic integration into association modules via closed form VM likelihoods, facilitating a unified detection tracking pipeline. These findings highlight a trade-off between geometric consistency and statistical generality in uncertainty-aware DOA estimation.
• Abstract（参考訳）: 本研究では,車載レーダの到達方向推定(DOA)に対する不確実性を考慮した深層学習手法について検討し,確率論的モデリングと下流統合に着目した。 円形統計に基づくvon Misesアンサンブル(VM)アンサンブル(ENS)は、通常の逆ガンマ定式化に基づく明らかな深層学習(EDL)フレームワークと比較され、ユークリッド領域における学生tの予測分布が得られる。 ENSフレームワークは、(mu, kappa)でパラメータ化された角予測を生成し、方向幾何学に整合した解釈可能な不確実性を実現する。 リスクカバレッジとROC, AUROC分析を用いて, 分布, 複数のアウト・オブ・ディストリビューション条件下での性能評価を行った。 以上の結果から,EDLはよりスムーズな不確実性を示し,ランキング整合性もわずかに改善したのに対し,ENSは名目条件下では低い不確実性を実現し,重度の摂動に対する強い感受性を示すことが示された。 重要なことに、ENS表現はクローズドフォームのVM可能性を通じてアソシエイトモジュールへの直接確率的統合を可能にし、統合された検出追跡パイプラインを容易にする。 これらの結果は,不確実性を考慮したDOA推定における幾何学的整合性と統計的一般性とのトレードオフを浮き彫りにした。

関連論文リスト

• Estimating Semantic Ambiguity via Gaussian Context Distributions for VLM-Driven Traversability Analysis [14.31446990918297]
  本稿では、文脈の不確実性を明示的にモデル化した、視覚に基づくトラバーサビリティ推定のための新しいパイプラインを提案する。 提案手法では,概念アンチョリングを用いて,開語彙VLM予測を連続的物理的トラバーサビリティ尺度上に構築する。 分布の統計的性質に基づいて,高密度トラバーサビリティマップと高密度不確実性マップの両方を導出する。
  論文  参考訳（メタデータ） (2026-09-08T11:18:32Z)
• Beyond Homoscedasticity: Decoupled Uncertainty Optimization for Deep Imbalanced Regression [7.011984503405774]
  深い不均衡回帰は、様々なモダリティにまたがる継続的な予測タスクにおいて広く使われている。 本研究では,不確実性を考慮した長周期回帰フレームワークDUOを提案する。 本研究は,IMDB-WIKI-DIR, AgeDB-DIR, AAV2-DIRにおいて,小ショットMAEの競争力を維持しながら,最も優れた小ショットbMAEとGMを実現していることを示す。
  論文  参考訳（メタデータ） (2026-09-04T11:06:57Z)
• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• DCS: A Unified Conditional Sensitivity Framework for Cross-Modal Copyright Infringement Detection [0.0]
  本研究は,著作権侵害の証拠を条件付き分散シフトとして扱う,統合されたポストホック検出フレームワークを開発する。 保護対象は、その目標がトレーニングプロセスに含まれるか、または取り除かれた場合、整列条件下でのモデルの振る舞いが測定可能に変更されるかどうか疑わしい。 このフレームワークは、リッジ規則化線形回帰、条件付き拡散モデル、自己回帰言語モデル、マルチモーダルモデルのためにインスタンス化されている。
  論文  参考訳（メタデータ） (2026-07-24T07:00:44Z)
• Distributionally Faithful Imputation via Positive Semi-Definite Kernel Density Estimation [55.47411235954028]
  マスク観測による密度推定では,不規則に不規則に不規則な計算を行う。 我々は,ニュートン内点法で解ける閉じた形状の辺縁を持つ凸型経験的リスク問題を得る。 結果のPSDインプットモデルでは、同一の入射密度から単一および多重インプットが得られる。
  論文  参考訳（メタデータ） (2026-07-08T15:51:05Z)
• Equivariant Filter for Radar-Inertial Odometry [45.85581416235741]
  拡張カルマンフィルタ(EKF)に基づくレーダ慣性オドメトリー(RIO)は、レーダと慣性測定ユニット(IMU)の間の正確な外在的キャリブレーションに依存している。 このレターは、ナビゲーション状態とIMUバイアスを幾何学的に結合するリー群対称性に基づいて、RIOの同変フィルタ(EqF)を提案する。
  論文  参考訳（メタデータ） (2026-04-24T21:47:06Z)
• Variance-Gated Ensembles: An Epistemic-Aware Framework for Uncertainty Estimation [0.6340400318304492]
  VGE(Variance-Gated Ensembles)は、アンサンブル統計から計算した信号-雑音ゲートを介して、てんかん感受性を注入する直感的なフレームワークである。 我々は、アンサンブルサンプル平均と分散によるエンドツーエンドのトレーニングを可能にする閉形式ベクトル-ヤコビアン積を導出した。
  論文  参考訳（メタデータ） (2026-02-08T22:05:23Z)
• Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
  高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。 しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。 我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-15T08:41:36Z)
• Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
  TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。 我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。 並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
  論文  参考訳（メタデータ） (2025-08-28T07:09:21Z)
• A Comprehensive Framework for Uncertainty Quantification of Voxel-wise Supervised Models in IVIM MRI [33.7054351451505]
  混合密度ネットワーク(MDN)のディープアンサンブルに基づく確率論的ディープラーニングフレームワークを提案する。 MDNは拡散係数Dと分数fのパラメータに対してより校正され、よりシャープな予測分布が得られたが、擬拡散係数D*ではわずかに過信が観察された。 本稿では,信頼できない推定値の同定と解釈を可能にする,不確実な定量化を伴うIVIMの包括的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-08-06T16:08:55Z)
• An Uncertainty-aware DETR Enhancement Framework for Object Detection [10.102900613370817]
  本稿では,DETRを用いた物体検出のための不確実性認識フレームワークを提案する。 我々はハイリスク情報をフィルタリングし、検出信頼性を向上させるベイズリスクの定式化を導出する。 COCOベンチマーク実験により,本手法を既存のDECR変種に効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2025-07-20T07:53:04Z)
• Similarity-Distance-Magnitude Universal Verification [0.0]
  本研究では,不確実性を考慮した検証と解釈可能性を考慮したSDMネットワークを本質的特性として構築する。 これらの結果を実装したオープンソースソフトウェアを提供する。
  論文  参考訳（メタデータ） (2025-02-27T15:05:00Z)
• Revisiting Essential and Nonessential Settings of Evidential Deep Learning [70.82728812001807]
  Evidential Deep Learning (EDL) は不確実性推定の新しい手法である。 本報告では,EDLの簡易かつ効果的な拡張型であるRe-EDLを提案する。
  論文  参考訳（メタデータ） (2024-10-01T04:27:07Z)
• Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
  強靭性と精度のトレードオフは、敵文学において広く研究されている。 局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。 定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
  論文  参考訳（メタデータ） (2022-02-21T10:36:09Z)
• Distribution Regression with Sliced Wasserstein Kernels [45.916342378789174]
  分布回帰のための最初のOTに基づく推定器を提案する。 このような表現に基づくカーネルリッジ回帰推定器の理論的性質について検討する。
  論文  参考訳（メタデータ） (2022-02-08T15:21:56Z)

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。