Adaptive Augmentation of Imbalanced Class Distribution in Road Segmentation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Deep learning has achieved significant improvements in various tasks in Computer Vision. However, acquiring a large number of the dataset is a challenge in real-world applications, especially if they are new class objects for Deep Learning. Furthermore, the distribution of classes in the dataset is often imbalanced - a bottleneck of the neural network’s performance in classification. One possible real-world application is road segmentation, which is crucial for autonomous driving and sophisticated driver assistance systems to comprehend the driving environment. Recent years have seen significant advancements in road segmentation with the help of Deep Learning. Inaccurate road boundaries and lighting fluctuations such as shadows and overexposed zones are still challenging issues. Prediction performance is also impacted by an improper class distribution, which arises because most image pixels belong to the background (negative class), while the goal is to identify road pixels (positive class). In this paper, we focus on the topic of "visual road classification," where the target is to label each pixel as containing either a road or a background. We tackle this task by implementing a novel Adaptive Augmentation algorithm by integrating with some recently suggested encoder-decoder based convolutional neural network architecture and compare the qualitative and quantitative experimental results with traditional augmentation algorithm. The proposed method uses an adaptive augmentation module to improve performance under improper class distribution conditions. Experimental results show that the suggested method achieves higher segmentation accuracy than state-of-the-art methods on the KITTI road detection benchmark datasets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle