Core Concepts
자율 주행을 위한 계획 중심적인 활성 학습 방법의 효과적인 설계와 구현
Abstract
최근 자율 주행에서 엔드 투 엔드 차별화 학습이 중요한 패러다임이 되었음
높은 품질의 레이블 데이터에 대한 탐욕스러운 욕구가 주요 병목 현상
ActiveAD는 계획 중심적인 활성 학습 방법을 도입하여 효율적인 샘플 및 레이블 효율성 달성
ActiveAD는 일반적인 활성 학습 방법을 크게 능가하며, 30% nuScenes 데이터만 사용하여 최첨단 엔드 투 엔드 AD 방법과 유사한 성능 달성
미래 연구 및 발견을 영감을 줄 수 있는 자료 중심적 관점에서 엔드 투 엔드 AD를 탐색
Stats
최첨단 엔드 투 엔드 AD 방법은 오직 30% nuScenes 데이터를 사용하여 비교 가능한 성능 달성
Quotes
"ActiveAD는 계획 중심적인 활성 학습 방법을 도입하여 효율적인 샘플 및 레이블 효율성 달성"
"ActiveAD는 일반적인 활성 학습 방법을 크게 능가하며, 30% nuScenes 데이터만 사용하여 최첨단 엔드 투 엔드 AD 방법과 유사한 성능 달성"