자율주행 기초

dfs

이 논문은 최근 연구가 활발한 데이터셋 증류(Dataset Distillation, DD) 또는 데이터셋 응축(Dataset Condensation, DC)에 대한 포괄적인 리뷰와 요약을 제공합니다. DD의 목표는 원본 대규모 데이터셋으로부터 합성 샘플을 포함하는 훨씬

본 논문은 데이터 압축(Dataset Condensation) 작업을 위한 새로운 프레임워크인 Squeeze, Recover and Relabel (SRe2L)을 제안한다. 기존 데이터 압축 방법론들은 모델 훈련과 합성 데이터 업데이트 간의 바이레벨 최적화(bileve

이 논문은 지능형 차량(IVs)을 위한 모션 플래닝 최신 기술 동향과 미래 전망을 포괄적으로 분석합니다. IVs의 핵심 요소인 모션 플래닝 방법을 파이프라인(pipeline) 방식과 End-to-end 방식의 두 가지 주요 범주로 분류하여 심층적으로 검토합니다.지능형

이 논문은 심층 학습 기술의 발전으로 자율 주행 차량의 지각 능력이 크게 향상되었음을 강조하며, 특히 레이더와 카메라 센서 데이터를 융합하는 기술에 초점을 맞춘 포괄적인 검토를 제공합니다. 레이더와 카메라는 각각의 강점과 약점을 가지고 있어 상호 보완적으로 사용될 때

이 논문은 멀티태스크 학습이 왜 어려운지를 gradient 관점에서 분석한다. 저자들은 여러 태스크의 gradient가 서로 충돌하면 학습이 비효율적이거나 성능이 떨어질 수 있다고 보고, 이를 줄이기 위한 방법으로 PCGrad(Projecting Conflicting

기존 KD는 temperature τ 를 보통 고정 하이퍼파라미터로 두는데, 사실 이 값은 teacher–student 분포 차이의 난이도를 조절 → 그래서 학습 내내 같은 temperature를 쓰는 것은, 점점 성장하는 student 입장에서는 비효율적일 수 있음이

저자들은 멀티태스크 학습이 단일 태스크 각각 따로 학습하는 것보다 오히려 어려운 이유를 분석하고, 그 원인 중 하나로 task 간 해로운 gradient interference를 지목함이를 막기 위해, 다른 task gradient와 충돌하는 경우 그 충돌 성분을 제거