| 講演名 | 2024-01-26 エンドツーエンド運転モデルの説明性向上のための事前学習に関する予備研究 チョウ チンガイ(名大), 出口 大輔(名大), 陳 嘉雷(名大), 村瀬 洋(名大), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | In the realm of autonomous driving, end-to-end models (E2EDMs) have gained prominence due to their high predictive accuracy. Such accuracy is attributed to the utilization of a backbone pre-trained on large datasets, subsequently fine-tuned on autonomous driving datasets. However, the inherent ``black box'' nature of these E2EDMs poses significant challenges in terms of explainability. Current methodologies predominantly focus on generating visual explanations for the E2EDMs' decision-making process. Numerous approaches aim to enhance the explainability of these E2EDMs by fine-tuning with complicated architectures, supplemented by additional information, e.g., object position to develop more explainable E2EDMs. In this study, we diverge from the conventional approaches where significant effort is placed during the fine-tuning phase of E2EDMs. Our method focuses on training backbones before the fine-tuning phase. This preemptive strategy enables us to fine-tune more explainable E2EDMs without the need for additional information or complex training techniques. |
| 抄録(英) | In the realm of autonomous driving, end-to-end models (E2EDMs) have gained prominence due to their high predictive accuracy. Such accuracy is attributed to the utilization of a backbone pre-trained on large datasets, subsequently fine-tuned on autonomous driving datasets. However, the inherent ``black box'' nature of these E2EDMs poses significant challenges in terms of explainability. Current methodologies predominantly focus on generating visual explanations for the E2EDMs' decision-making process. Numerous approaches aim to enhance the explainability of these E2EDMs by fine-tuning with complicated architectures, supplemented by additional information, e.g., object position to develop more explainable E2EDMs. In this study, we diverge from the conventional approaches where significant effort is placed during the fine-tuning phase of E2EDMs. Our method focuses on training backbones before the fine-tuning phase. This preemptive strategy enables us to fine-tune more explainable E2EDMs without the need for additional information or complex training techniques. |
| キーワード(和) | 解釈性 / 自動運転 / 深層学習 / 畳み込みニューラルネットワーク |
| キーワード(英) | Explainability / autonomous vehicles / deep learning / convolutional neural networks |
| 資料番号 | PRMU2023-48 |
| 発行日 | 2024-01-18 (PRMU) |
| 研究会情報 | |
| 研究会 | PRMU / MVE / VRSJ-SIG-MR / IPSJ-CVIM |
|---|---|
| 開催期間 | 2024/1/25(から2日開催) |
| 開催地（和） | 慶應義塾大学 日吉キャンパス(来往舎) |
| 開催地（英） | Keio Univ. (Hiyoshi Campus) |
| テーマ（和） | メタバースと深層学習 |
| テーマ（英） | |
| 委員長氏名（和） | 柏野 邦夫(NTT) / 清川 清(奈良先端大) / / 日浦 慎作(兵庫県立大) |
| 委員長氏名（英） | Kunio Kashio(NTT) / Kiyoshi Kiyokawa(NAIST) / / 日浦 慎作(兵庫県立大) |
| 副委員長氏名（和） | 舩冨 卓哉(奈良先端大) / 入江 豪(東京理科大) / 新井田 統(KDDI総合研究所) |
| 副委員長氏名（英） | Takuya Funatomi(NAIST) / Go Irie(Tokyo Univ. of Science) / Sumaru Niida(KDDI Research) |
| 幹事氏名（和） | 井上 中順(東工大) / 川西 康友(理研) / 磯山 直也(大妻女子大) / 原 豪紀(大日本印刷) / 福嶋 政期(九大) / 後藤 充裕(NTT) / / 出口 大輔(名古屋大) / 高橋 康輔(ウミトロン株式会社) / 田中 賢一郎(立命館大) / 波部 斉(近畿大) / 槇原 靖(大阪大) / 浦西 友樹(大阪大) |
| 幹事氏名（英） | Nakamasa Inoue(Tokyo Inst. of Tech.) / Yasutomo Kawanishi(Riken) / Naoya Isoyama(Otsuma Women's University) / Takenori Hara(DNP) / Shogo Fukushima(Kyushu Univ.) / Mitsuhiro Goto(NTT) / / 出口 大輔(名古屋大) / 高橋 康輔(ウミトロン株式会社) / 田中 賢一郎(立命館大) / 波部 斉(近畿大) / 槇原 靖(大阪大) / 浦西 友樹(大阪大) |
| 幹事補佐氏名（和） | 下西 慶(京大) / 原 健翔(産総研) / 宍戸 英彦(創価大) / 中澤 篤志(京大) / 東條 直也(KDDI総合研究所) / 萩山 直紀(NTT) / 畑田 裕二(東大) |
| 幹事補佐氏名（英） | Kei Shimonishi(Kyoto Univ.) / Kensho Hara(AIST) / Hidehiko Shishido(Soka University) / Atsushi Nakazawa(Kyoto Univ.) / Naoya Tojo(KDDI Research) / Naoki Hagiyama(NTT) / Yuji Tatada(Univ. of Tokyo) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Pattern Recognition and Media Understanding / Technical Committee on Media Experience and Virtual Environment / SIG-MR / Special Interest Group on Computer Vision and Image Media |
|---|---|
| 本文の言語 | ENG-JTITLE |
| タイトル（和） | エンドツーエンド運転モデルの説明性向上のための事前学習に関する予備研究 |
| サブタイトル（和） | |
| タイトル（英） | A Preliminary Study on Pre-training for Improved Explainability in End-to-End Driving Models |
| サブタイトル（和） | |
| キーワード(1)（和/英） | 解釈性 / Explainability |
| キーワード(2)（和/英） | 自動運転 / autonomous vehicles |
| キーワード(3)（和/英） | 深層学習 / deep learning |
| キーワード(4)（和/英） | 畳み込みニューラルネットワーク / convolutional neural networks |
| 第 1 著者 氏名（和/英） | チョウ チンガイ / Zhang Chenkai |
| 第 1 著者 所属（和/英） | 名古屋大学(略称：名大) Nagoya University(略称：Nagoya Univ) |
| 第 2 著者 氏名（和/英） | 出口 大輔 / Deguchi Daisuke |
| 第 2 著者 所属（和/英） | 名古屋大学(略称：名大) Nagoya University(略称：Nagoya Univ) |
| 第 3 著者 氏名（和/英） | 陳 嘉雷 / Chen Jialei |
| 第 3 著者 所属（和/英） | 名古屋大学(略称：名大) Nagoya University(略称：Nagoya Univ) |
| 第 4 著者 氏名（和/英） | 村瀬 洋 / Murase Hiroshi |
| 第 4 著者 所属（和/英） | 名古屋大学(略称：名大) Nagoya University(略称：Nagoya Univ) |
| 発表年月日 | 2024-01-26 |
| 資料番号 | PRMU2023-48 |
| 巻番号（vol） | vol.123 |
| 号番号（no） | PRMU-358 |
| ページ範囲 | pp.46-49(PRMU), |
| ページ数 | 4 |
| 発行日 | 2024-01-18 (PRMU) |