Infothek
Neuer Konferenzbeitrag auf der "IEEE International Conference on Intelligent Transportation Systems (ITSC)"
Der Artikel mit dem Titel "Context Information for Corner Case Detection in Highly Automated Driving" von Florian Heidecker, Tobias Susetzky, Erich Fuchs und Bernhard Sick hebt die Bedeutung von Kontextinformationen in Datensätzen für Modelle des maschinellen Lernens hervor und präsentiert Kontextannotationen für den BDD100k-Bilddatensatz. Unter Betonung des Mangels an Daten für einzigartige Kontextkombinationen schlägt die Forschung spezielle ML-Modelle für die Kontexterkennung vor, um den Mangel an Trainingsdaten für kritische Szenarien wie Eckfälle zu beheben und die Modellleistung und -validierung zu verbessern.
Aktuelles
Neuer Konferenzbeitrag auf der "IEEE International Conference on Intelligent Transportation Systems (ITSC)"
Der Artikel mit dem Titel "Context Information for Corner Case Detection in Highly Automated Driving" von Florian Heidecker, Tobias Susetzky, Erich Fuchs und Bernhard Sick hebt die Bedeutung von Kontextinformationen in Datensätzen für Modelle des maschinellen Lernens hervor und präsentiert Kontextannotationen für den BDD100k-Bilddatensatz. Unter Betonung des Mangels an Daten für einzigartige Kontextkombinationen schlägt die Forschung spezielle ML-Modelle für die Kontexterkennung vor, um den Mangel an Trainingsdaten für kritische Szenarien wie Eckfälle zu beheben und die Modellleistung und -validierung zu verbessern.
Termine
Neuer Konferenzbeitrag auf der "IEEE International Conference on Intelligent Transportation Systems (ITSC)"
Der Artikel mit dem Titel "Context Information for Corner Case Detection in Highly Automated Driving" von Florian Heidecker, Tobias Susetzky, Erich Fuchs und Bernhard Sick hebt die Bedeutung von Kontextinformationen in Datensätzen für Modelle des maschinellen Lernens hervor und präsentiert Kontextannotationen für den BDD100k-Bilddatensatz. Unter Betonung des Mangels an Daten für einzigartige Kontextkombinationen schlägt die Forschung spezielle ML-Modelle für die Kontexterkennung vor, um den Mangel an Trainingsdaten für kritische Szenarien wie Eckfälle zu beheben und die Modellleistung und -validierung zu verbessern.