論文の概要: RSC-GestureNet: Reliability-Aware Selective Causal Recognition of Chinese Traffic Police Gestures
- arxiv url: http://arxiv.org/abs/2608.02200v1
- Date: Mon, 03 Aug 2026 13:25:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.577202
- Title: RSC-GestureNet: Reliability-Aware Selective Causal Recognition of Chinese Traffic Police Gestures
- Title（参考訳）: RSC-GestureNet:中国の交通警察用ジェスチャーの信頼性を考慮した選択因果認識
- Abstract要約: 本稿では,中国交通警察の身振りに対する信頼性を考慮した因果認識システムであるRCC-GestureNetを提案する。
モデルは、プライス信頼をファーストクラスの信号として扱う。
93.33+-0.24%の精度、91.71+-0.27%のマクロF1、91.63+-0.29%のオンラインマクロF1、98.80+-0.07%の早期@10、0.153+-0.013 s TTC、そして評価手法の中で最高の堅牢なマクロF1である。
- 参考スコア（独自算出の注目度）: 4.732365504171632
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traffic police gestures are safety-critical perception cues for autonomous driving. A deployable recognizer must infer commands causally from continuous full-frame video, remain stable around transitional arm motion, and avoid over-trusting corrupted pose measurements. This study presents RSC-GestureNet, a reliability-aware selective causal recognizer, for Chinese traffic police gestures. The model treats pose confidence as a first-class signal: unreliable joints are down weighted during graph reasoning, temporal evidence is aggregated causally, and calibrated predictions are selectively emitted through a reliability-aware inference rule. We further introduce CTPGesture-C, a reproducible feature-level corruption benchmark with seven pose/RGB degradation families, and an RGB-level diagnostic in which corrupted frames are reprocessed by MediaPipe before recognition. On the complete official CTPGesture v1 split (134,424 labeled frames and 33,451 causal windows), RSC-GestureNet achieves 93.33+-0.24% accuracy, 91.71+-0.27% macro-F1, 91.69+-0.29% online macro-F1, 98.80+-0.07% Early@10, 0.153+-0.013 s TTC, and the best robust macro-F1 among evaluated methods. Under the same split and causal protocol, it exceeds reproduced traffic-specific MD-GCN and HLP-GCN baselines by 3.23-4.11 macro-F1 points and 2.15-3.07 online-F1 points. These results, together with calibration, selective-risk, statistical, adaptive-branching, and image-level re-extraction analyses, indicate that explicit pose-reliability modeling improves early, stable, and robust traffic-command recognition.
- Abstract（参考訳）: 交通警察のジェスチャーは、自動運転のための安全クリティカルな認識方法である。
デプロイ可能な認識器は、連続したフルフレームビデオからコマンドを因果的に推測し、トランジショナルアームの動きの周りで安定し、過度に信頼される腐敗したポーズ測定を避ける必要がある。
本研究では,中国交通警察の身振りに対する信頼性を考慮した因果認識システムRSC-GestureNetを提案する。
モデルでは、信頼できない関節はグラフ推論中に重み付けされ、時間的証拠は因果的に集約され、キャリブレーションされた予測は信頼性を考慮した推論規則によって選択的に出力される。
さらに,CTPGesture-C,7つのポーズ/RGB分解ファミリを持つ再現可能な特徴レベル評価ベンチマーク,および,劣化フレームをMediaPipeで認識前に再処理するRGBレベルの診断を導入する。
完全な公式CTPGesture v1分割(ラベル付きフレーム134,424、因果ウィンドウ33,451)では、RCC-GestureNetは93.33+-0.24%の精度、91.71+-0.27%のマクロF1、91.69+-0.29%のオンラインマクロF1、98.80+-0.07%のアーリー@10、0.153+-0.013 s TTC、そして評価方法の中で最高の堅牢なマクロF1を達成する。
同じ分割および因果プロトコルの下では、再現されたトラフィック固有のMD-GCNとHLP-GCNのベースラインを3.23-4.11マクロF1ポイントと2.15-3.07オンラインF1ポイントで上回る。
これらの結果は、キャリブレーション、選択リスク、統計的、適応ブランチ、画像レベルの再抽出分析とともに、明示的なポーズ-信頼性モデリングが早期、安定、堅牢なトラフィック-コマンド認識を改善することを示唆している。
関連論文リスト
- 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) - Delay-Aware Active Triangulation with Uncertainty-Driven Multi-Agent Reinforcement Learning for Counter-UAS [5.4271995156436965]
マルチエージェントアクティブな視覚三角測量により、移動オブザーバを制御可能なカメラで調整することにより、航空目標の正確な3次元位置決めが可能になる。
我々は,Counter-UASアプリケーションにおけるターゲットローカライゼーションのための遅延認識,不確実性駆動型マルチエージェント強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-07T07:58:13Z) - Risk-Aware Selective Multimodal Driver Monitoring with Driver-State World Modeling [13.540675152706589]
自動車両の連続運転監視には低遅延推論が必要である。
デプロイ可能なマルチモーダルドライバ監視のためのコストアウェア選択推論フレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-25T11:59:21Z) - CaliDist: Calibrating Large Language Models via Behavioral Robustness to Distraction [51.56484100374058]
既存のLLM(Large Language Models)のキャリブレーション手法は、しばしば信頼性の重要な次元、すなわちモデルの振舞いの堅牢性を見落としている。
我々は,モデルが注意をそらす可能性を直接測定し,罰する,新しいポストホックキャリブレーション手法であるtextscCaliDistを紹介した。
textscCaliDistは、強いベースラインと比較して、期待の低いエラー(ECE)とBrier Scoreを一貫して達成します。
論文 参考訳（メタデータ） (2026-06-04T07:27:53Z) - Unveiling the Entropy Dynamics of Chain-of-Thought Reasoning [81.57028614960576]
1)信頼性の高い -- 信頼性の高い -- 信頼性の高い領域での回答は高度に正確で安定したものになり、2)高冗長性 -- モデルは正しい回答に達した後ずっと経ってから不必要なトークンを生成する。
これらの特性はより効率的で信頼性の高い推論戦略を解き放つ。
論文 参考訳（メタデータ） (2026-06-01T10:11:14Z) - GFSR: Geometric Fidelity and Spatial Refinement for Reliable Lane Detection [23.609874711431733]
我々はLaneIoU誘導幾何信頼とAdaptive Gated Location Refinement(AGLR)からなるフレームワークを提案する。
LCCは、レーン先行の幾何学的忠実度を明示的に推定するために、LaneIoUをソフト監視として採用している。
AGLRはサンプリングポイント側オフセットを予測し、補正サイズを適応的に調整するゲーティング機構を採用する。
論文 参考訳（メタデータ） (2026-05-22T07:43:58Z) - Severe Domain Shift in Skeleton-Based Action Recognition:A Study of Uncertainty Failure in Real-World Gym Environments [0.0]
本稿では,新しいGym2DデータセットとUCF101データセットを用いて,厳しい領域シフトの体系的研究を行う。
我々の研究は、標準的なデプロイメント仮定に挑戦し、セマンティックスケルトン認識と幾何学的スケルトン認識の両方のデプロイの安全性を原則として分析する。
論文 参考訳（メタデータ） (2026-03-16T17:37:17Z) - BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。
両課題に対処する統合フレームワークであるBadCLIP++を提案する。
ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。
持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
論文 参考訳（メタデータ） (2026-02-19T08:31:16Z) - Safe Urban Traffic Control via Uncertainty-Aware Conformal Prediction and World-Model Reinforcement Learning [43.06827300023392]
STREAM-RLは、不確実性誘導型適応型コンフォーマルフォアキャスター、コンフォーマル残留流ネットワーク、不確実性誘導型セーフワールドモデルRLエージェントである。
複数の実世界の交通軌跡データの実験では、STREAM-RLは91.4%のカバレッジ効率を達成し、FDRを4.1%の信頼性で制御し、標準のPPOの69%に比べて安全性を95.2%向上している。
論文 参考訳（メタデータ） (2026-02-04T18:10:59Z) - Unsupervised Anomaly Detection in Multi-Agent Trajectory Prediction via Transformer-Based Models [45.08545174556591]
マルチエージェントトランスを用いた教師なし異常検出フレームワークを提案する。
検出安定性と物理的アライメントの両方を評価するための二重評価手法が提案されている。
本フレームワークでは,時間対衝突および統計ベースラインに欠落した388個の特異な異常を同定する。
論文 参考訳（メタデータ） (2026-01-28T08:33:10Z) - Hierarchical Spatio-Temporal Attention Network with Adaptive Risk-Aware Decision for Forward Collision Warning in Complex Scenarios [7.238050152381639]
本稿では,階層型時空間注意ネットワークと動的リスク閾値調整アルゴリズムを併用した前方衝突警報フレームワークを提案する。
マルチシナリオデータセットでテストされ、完全なシステムは高い有効性を示し、F1スコアは0.912、偽警報率は8.2%、警告リード時間は2.8秒である。
論文 参考訳（メタデータ） (2025-11-25T05:57:29Z) - Towards Robust Unsupervised Attention Prediction in Autonomous Driving [40.84001015982244]
本稿では,自律走行システムに対するロバストな無監督注意予測手法を提案する。
不確かさマイニングブランチは、自然の場面における複数の事前訓練されたモデル間の共通点と相違点を分析して、予測を洗練する。
知識埋め込みブロックは、擬似ラベルを適応的に強化するために駆動知識を取り入れることで、ドメインギャップを橋渡しする。
ソフトアテンションとダイナミックアメンデーションにより, 破損に対する堅牢性を向上する新しいデータアメンデーション手法を提案する。
論文 参考訳（メタデータ） (2025-01-25T03:01:26Z)
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。