Boosting Depth Estimation for Self-Driving in a Self-Supervised Framework via Improved Pose Network
Оценка глубины является важнейшим компонентом автономных систем вождения, обеспечивая эффективное понимание сцены, обнаружение препятствий и локализацию. Мы предлагаем улучшенную сеть в рамках самообучающейся системы для повышения точности оценки глубины без увеличения вычислительных затрат. Наша методика использует мультиуровневые признаки и нормализованные координаты, что позволяет сохранять пространственные детали и улучшать точность предсказаний. Тесты на наборах данных KITTI и Make3D показали улучшение на 2-7% в метрике абсолютной относительной ошибки (abs rel). Кроме того, на наборе данных KITTI для одометрии наш метод продемонстрировал конкурентные результаты: относительные ошибки трансляции (trel) составили 6.11 и 7.21, а относительные ошибки вращения (rrel) — 1.12 и 2.05 для последовательностей 9 и 10 соответственно.
Статья опубликована в журнале IEEE Open Journal of the Computer Society 25.11.2024
С полным текстом статьи можно ознакомиться по ссылке
Graph-Attention Diffusion for Enhanced Multivariate Time-Series Anomaly Detection
Мы предлагаем новый подход к обнаружению аномалий в многомерных временных рядах, основанный на реконструкции. Он усиливает обучение нормальным паттернам с помощью маскирования данных и использует диффузионные модели для захвата как временных, так и пространственных взаимосвязей с помощью графовых слоев внимания. Для решения проблемы чрезмерной обобщенности, при которой аномальные точки восстанавливаются слишком точно, потенциально аномальные точки изначально маскируются на основе ошибки реконструкции, полученной автоэнкодером. Замаскированные временные ряды затем искажаются шумом и восстанавливаются диффузионной моделью, которая поэтапно устраняет шум. Оценка на четырех наборах данных из различных источников демонстрирует эффективность нашего подхода, достигая средней F1-метрики в 96,51% и превосходя многие существующие базовые модели.
Статья опубликована в журнале IEEE Open Journal of the Industrial Electronics Society 18.11.2024
С полным текстом статьи можно ознакомиться по ссылке
Enhancing Autonomous Driving with Spatial Memory and Attention in Reinforcement Learning
Обучение с подкреплением в средах с визуальными наблюдениями сталкивается с трудностями из-за неполноты наблюдений, что увеличивает неопределенность при принятии решений. Для решения этой проблемы реализован новый механизм пространственной памяти с гибкой системой доступа, основанной на механизме многоголового внимания (multihead attention). Этот подход улучшает сохранение информации о предыдущих наблюдениях, что особенно важно для автономного вождения. Эксперименты на наборах задач Atari и в сценариях автономного вождения показывают, что наш метод превосходит классические сверточные и рекуррентные нейронные сети.
Статья опубликована в журнале IEEE ACCESS 25.10.2024
С полным текстом статьи можно ознакомиться по ссылке
