論文の概要: TRIM: Temporal Run-Time Monitoring of 3D Object Detection via Activation Statistics

• arxiv url: http://arxiv.org/abs/2610.38613v1
• Date: Wed, 28 Oct 2026 10:31:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 09:19:40.321052
• Title: TRIM: Temporal Run-Time Monitoring of 3D Object Detection via Activation Statistics
• Title（参考訳）: TRIM: アクティベーション統計による3次元物体検出の時間的実行時モニタリング
• Abstract要約: 本報告では、下層の検出器を変更・再訓練することなく、欠落物体の故障を検知する軽量の時間モニターを提案する。 NuScenesの実験では、時間モニタリングはAUROCを0.686から0.704に改善し、95%リコール時の誤警報率を0.818から0.759に削減している。
• 参考スコア（独自算出の注目度）: 14.301812962065528
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable perception is essential to intelligent transportation systems, yet deep neural networks can silently miss safety-critical objects while continuing to produce apparently plausible outputs. Existing run-time monitors for 3D object detection generally assess each frame independently and therefore cannot exploit the temporal evolution of occlusion, point sparsity, and scene complexity. We present TRIM, a lightweight temporal monitor that detects missed-object failures without modifying or retraining the underlying detector. TRIM summarises intermediate activations using compact channel-wise statistics and processes short sequences of these summaries with a temporal convolutional network. Experiments on NuScenes show that temporal monitoring improves AUROC from 0.686 to 0.704 and reduces the false alarm rate at 95% recall from 0.818 to 0.759 compared with single-frame monitoring. Early and intermediate backbone features provide the strongest monitoring signal, while the temporal inference head requires only 0.159 ms on a CPU.
• Abstract（参考訳）: インテリジェントな輸送システムには信頼性の高い認識が不可欠だが、深層ニューラルネットワークは、明らかに妥当な出力を生成しながら、安全クリティカルなオブジェクトを静かに見逃すことができる。 既存の3Dオブジェクト検出のランタイムモニタは、一般的に、各フレームを独立に評価するので、オクルージョン、ポイント間隔、シーンの複雑さの時間的進化を利用できない。 我々は、下層の検出器を変更または再訓練することなく、ミスオブジェクトの障害を検出する軽量の時間モニターであるTRIMを提案する。 TRIMは、コンパクトなチャネルワイズ統計を用いて中間活性化を要約し、時間的畳み込みネットワークでこれらの要約のショートシーケンスを処理する。 NuScenesの実験では、時間モニタリングはAUROCを0.686から0.704に改善し、95%リコール時の誤警報率を0.818から0.759に削減している。 初期および中期のバックボーン機能は最強の監視信号を提供するが、時間的推論ヘッドはCPU上で0.159msしか必要としない。

関連論文リスト

• EvoEye: Self-Evolving Runtime Monitoring for Autonomous Driving Systems [15.753537830005596]
  本稿では,現在のモニタのエラーを識別し,それに応じて情報的実行を生成し,自己進化によってモニタを更新するEvoEyeを提案する。 効果的な自己進化を可能にするため、EvoEyeは、実行可能なランタイムモニタとターゲットシナリオの取得を組み合わせた。 FusionMonitorはフレームレベルのリコールを最大37.8ポイント、偽陽性率0.05で改善し、レイテンシは2.49ms、中央値警告時間は2.8-4.2秒である。 BlindSpotEvolverは、以前見逃された安全でないコンテキストにおいて、一様および違反指向のサンプリングを最大13.2F1ポイント向上させる。
  論文  参考訳（メタデータ） (2026-07-04T08:03:31Z)
• 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)
• TIE: Time Interval Encoding for Video Generation over Events [50.66585165263848]
  ディレクタースタイルのプロンプト、ロボットアクション予測、インタラクティブなビデオエージェントは、同時イベントに対する時間的根拠を要求する。 現代のビデオジェネレータは、ポイントワイドな位置エンコーディングを通して、タイムを離散的なポイントとして表現する。 Time Interval TIEは、プラグイン・アンド・プレイ・インターバル・アウェアの一般化である。
  論文  参考訳（メタデータ） (2026-05-11T13:23:14Z)
• Automated Segmentation and Tracking of Group Housed Pigs Using Foundation Models [0.23915781021862328]
  ファンデーションモデル(FM)は、タスク固有の教師あり学習への依存を減らすことでコンピュータビジョンを再構築している。 本研究は,群飼養豚の自動モニタリングのためのFM中心ワークフローを提案する。
  論文  参考訳（メタデータ） (2026-04-03T19:50:08Z)
• CT Scans As Video: Efficient Intracranial Hemorrhage Detection Using Multi-Object Tracking [0.9332987715848716]
  本稿では,2次元検出の効率と3次元コンテキストの必要性を両立させる軽量コンピュータビジョンフレームワークを開発する。 計算コストのごく一部で3Dコンテキスト推論を近似することにより,リアルタイム患者優先化のためのスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2026-01-05T19:49:51Z)
• Temporal Misalignment Attacks against Multimodal Perception in Autonomous Driving [23.83773255227831]
  DejaVuは車載ネットワークを利用して、センサストリーム間の遅延を誘導し、微妙な時間的ミスアライメントを生成する攻撃である。 包括的攻撃分析により,センサのタスク特異的な不均衡感が明らかになった。 シングルフレームのLiDAR遅延では、攻撃者は車検出のmAPを最大88.5%削減し、3フレームのカメラ遅延、車滴の多重物体追跡精度(MOTA)を73%削減できる。
  論文  参考訳（メタデータ） (2025-07-12T00:44:26Z)
• Recurrent Vision Transformers for Object Detection with Event Cameras [62.27246562304705]
  本稿では,イベントカメラを用いた物体検出のための新しいバックボーンであるリカレントビジョントランス (RVT) を提案する。 RVTは、イベントベースのオブジェクト検出で最先端のパフォーマンスに到達するために、ゼロからトレーニングすることができる。 私たちの研究は、イベントベースのビジョンを超えた研究に役立ち得る効果的なデザイン選択に、新たな洞察をもたらします。
  論文  参考訳（メタデータ） (2022-12-11T20:28:59Z)
• Continuity-Discrimination Convolutional Neural Network for Visual Object Tracking [150.51667609413312]
  本稿では,視覚オブジェクト追跡のためのContinuity-Discrimination Convolutional Neural Network (CD-CNN) という新しいモデルを提案する。 この問題に対処するため、cd-cnnは時間的遅れの概念に基づいた時間的外観連続性をモデル化する。 不正確なターゲットの定位とドリフトを緩和するために,新しい概念 object-centroid を提案する。
  論文  参考訳（メタデータ） (2021-04-18T06:35:03Z)
• Detecting Invisible People [58.49425715635312]
  我々は,追跡ベンチマークを再利用し,目立たない物体を検出するための新しい指標を提案する。 私たちは、現在の検出および追跡システムがこのタスクで劇的に悪化することを実証します。 第2に,最先端の単眼深度推定ネットワークによる観測結果を用いて,3次元で明示的に推論する動的モデルを構築した。
  論文  参考訳（メタデータ） (2020-12-15T16:54:45Z)
• Object Tracking through Residual and Dense LSTMs [67.98948222599849]
  LSTM(Long Short-Term Memory)リカレントニューラルネットワークに基づくディープラーニングベースのトラッカーが、強力な代替手段として登場した。 DenseLSTMはResidualおよびRegular LSTMより優れ、ニュアンセに対する高いレジリエンスを提供する。 ケーススタディは、他のトラッカーの堅牢性を高めるために残差ベースRNNの採用を支援する。
  論文  参考訳（メタデータ） (2020-06-22T08:20:17Z)

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。