自律運転知覚のためのオーバーコンフィデンス予測の低減【JST・京大機械翻訳】

Melotti Gledson; Premebida Cristiano; Bird Jordan J.; Faria Diego R.; Goncalves Nuno

プレプリント

J-GLOBAL ID：202202220077253437 整理番号：22P0290437

自律運転知覚のためのオーバーコンフィデンス予測の低減【JST・京大機械翻訳】

Reducing Overconfidence Predictions for Autonomous Driving Perception

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年02月15日プレプリントサーバーでの情報更新日： 2022年05月11日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

物体認識のための最先端の深層学習において,ソフトMaxとSigmoid関数は,予測子出力として最も一般的に使用されている。このような層は,適切な確率的スコアよりむしろオーバーコンフィデント予測をしばしば生じ,従って,自律運転とロボット工学で適用される「臨界認識システムの意思決定を害する。これを考慮して,本研究では,事前訓練ネットワークのLogit層スコアから計算した分布に基づく確率的手法を提案した。最大尤度(ML)と最大a-Posteriori(MAP)関数は,物体認識のためのソフトMaxとSigmoidベース予測よりも確率的解釈に適していることを示した。KITTIとLyft Level-5データセットからのRGB画像とLiDAR(RV:範囲ビュー)データによる異なるセンサモダリティを調べ,ここでの手法は,解釈可能な確率的予測を可能にする利点を有する通常のソフトMaxとSigmoid層と比較して有望な性能を示した。本論文で導入したアプローチのもう一つの利点は,MLとMAP関数が既存の訓練されたネットワークに実装でき,即ち,この手法は事前訓練ネットワークのLogit層の出力から利益を得ることである。したがって,MLとMAP関数が試験/予測段階で使われるので,新しい訓練フェーズを実行する必要はない。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

その他のオペレーションズリサーチの手法 , 人工知能 , 自然語処理 , ニューロコンピュータ

, ,

前のページに戻る