自动驾驶角落案例检测
自动驾驶车辆的分布需要处理各种意外和可能危险的情况,这些情况被称为边缘情况,而这些情况也是机器学习模型的开发所需数据的重要组成部分。然而,在大规模数据集中只有有限数量的边缘情况数据,这使得它们在机器学习的背景下具有挑战性。本文旨在介绍机器可解释的边缘情况描述的挑战和目标。
Sep, 2021
为了证明自动驾驶汽车可以安全、稳健地处理多种不同情况的交通,提出了一个通过 KI Absicherung 本体论将集体专家知识描述转化为场景和情境来提取自动驾驶数据集中的极端案例,并评估检测网络性能的流程。
May, 2023
基于预测不确定性的角落案例准则可以检测无需依赖正确答案数据的对象实例分割模型的不确定性角落案例,并提供一种角落案例决策函数,可以将每个物体区分为真正阳性(TP)、定位和 / 或分类角落案例,或虚假阳性(FP),同时提出了迭代训练循环的初步结果,超过基准,在训练数据集中添加的数据是基于角落案例决策函数选择的。
Apr, 2024
本文提出了一种基于未监督学习的方法,通过预测交通参与者未来位置并监测三种不同策略的预测准确度和一致性来检测仪表板安装的摄像头视频中的交通事故。实验结果表明,该方法优于最先进的方法。
Mar, 2019
本文提出了一种基于深度学习的异常检测方法,通过数据集 RetroTrucks 以及静态摄像头数据集对单类分类损失和重构损失的应用,以及对象交互建模,实现对车载摄像头录像中不同驾驶行为的检测和识别。
Apr, 2020
本文提出了一种高效的边缘设备上运行的视频异常检测系统,包括变化检测、背景建模和目标检测模块以及回溯异常检测算法,同时还提出了一种顺序变化检测算法。实验结果表明,该方法在 2021 年 AI City Challenge 中取得了 0.9157 的 F1 分数并排名第四。
Apr, 2021
本文研究了采用机器学习中的对抗学习技术来识别培训数据集之外的数据作为人工智能自主驾驶车辆等多种安全关键功能系统的安全度量标志,鉴于这些系统的准确性取决于训练数据的质量,并探讨了这种技术在高度复杂的驾驶情景数据集中的表现。
Jun, 2023
本研究提出了一种基于转移学习和连续学习的在线异常检测方法,利用神经网络模型的特征提取能力和统计检测方法的连续学习能力,显著减少了训练复杂度,并提供了一种从最近数据中持续学习而不受灾难性遗忘影响的机制,可应用于监控视频领域。
Apr, 2020