Fugu-MT 論文翻訳(概要): A Review on Intelligent Object Perception Methods Combining Knowledge-based Reasoning and Machine Learning

論文の概要: A Review on Intelligent Object Perception Methods Combining Knowledge-based Reasoning and Machine Learning

arxiv url: http://arxiv.org/abs/1912.11861v2
Date: Tue, 17 Mar 2020 14:50:43 GMT
ステータス: 処理完了
システム内更新日: 2023-06-10 08:20:25.145396
Title: A Review on Intelligent Object Perception Methods Combining Knowledge-based Reasoning and Machine Learning
Title（参考訳）: 知識に基づく推論と機械学習を組み合わせた知的物体知覚法の検討
Authors: Filippos Gouidis, Alexandros Vassiliades, Theodore Patkos, Antonis Argyros, Nick Bassiliades and Dimitris Plexousakis
Abstract要約: 物体知覚はコンピュータビジョンの基本的なサブフィールドである。最近の研究は、物体の視覚的解釈のインテリジェンスレベルを拡大するために、知識工学を統合する方法を模索している。
参考スコア（独自算出の注目度）: 60.335974351919816
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Object perception is a fundamental sub-field of Computer Vision, covering a multitude of individual areas and having contributed high-impact results. While Machine Learning has been traditionally applied to address related problems, recent works also seek ways to integrate knowledge engineering in order to expand the level of intelligence of the visual interpretation of objects, their properties and their relations with their environment. In this paper, we attempt a systematic investigation of how knowledge-based methods contribute to diverse object perception tasks. We review the latest achievements and identify prominent research directions.
Abstract（参考訳）: 物体知覚はコンピュータビジョンの基本的なサブフィールドであり、様々な領域をカバーし、高いインパクトを与えている。機械学習は従来、関連する問題に対処するために用いられてきたが、最近の研究は、オブジェクトの視覚的解釈、その特性、および環境との関係の知性レベルを拡張するために、知識工学を統合する方法を模索している。本稿では,知識に基づく手法が多様な物体知覚タスクにどのように貢献するかを体系的に検討する。我々は、最新の成果をレビューし、顕著な研究方向性を特定する。

関連論文リスト

Discovering Conceptual Knowledge with Analytic Ontology Templates for Articulated Objects [42.9186628100765]
我々は,概念レベルでの動作を通じて,機械知能に類似の能力を持たせることを目指している。 AOT駆動のアプローチは、3つの重要な観点で利益をもたらす。
論文参考訳（メタデータ） (2024-09-18T04:53:38Z)
On the Element-Wise Representation and Reasoning in Zero-Shot Image Recognition: A Systematic Survey [82.49623756124357]
ゼロショット画像認識(ZSIR)は、目に見えない領域の認識と推論をモデルに与えることを目的としている。本稿では,近年の素子ワイドZSIRの進歩について概説する。まず、オブジェクト認識、合成認識、基礎モデルに基づくオープンワールド認識という3つの基本的なZSIRタスクを、統一された要素的視点に統合する。
論文参考訳（メタデータ） (2024-08-09T05:49:21Z)
Knowledge-augmented Deep Learning and Its Applications: A Survey [60.221292040710885]
知識強化ディープラーニング(KADL)は、ドメイン知識を特定し、それをデータ効率、一般化可能、解釈可能なディープラーニングのためのディープモデルに統合することを目的としている。本調査は,既存の研究成果を補足し,知識強化深層学習の一般分野における鳥眼研究の展望を提供する。
論文参考訳（メタデータ） (2022-11-30T03:44:15Z)
Learning by Asking Questions for Knowledge-based Novel Object Recognition [64.55573343404572]
実世界のオブジェクト認識には、認識すべきオブジェクトクラスが多数存在する。教師付き学習に基づく従来の画像認識は、トレーニングデータに存在するオブジェクトクラスのみを認識できるため、現実の世界においては限定的な適用性を有する。そこで本研究では,モデルが新たなオブジェクトを瞬時に認識するのに役立つ質問生成を通じて,外部知識を取得するための枠組みについて検討する。我々のパイプラインは、オブジェクトベースのオブジェクト認識と、新しい知識を得るために知識を意識した質問を生成する質問生成という2つのコンポーネントから構成される。
論文参考訳（メタデータ） (2022-10-12T02:51:58Z)
Contrastive Object Detection Using Knowledge Graph Embeddings [72.17159795485915]
一つのホットアプローチで学習したクラス埋め込みの誤差統計と、自然言語処理や知識グラフから意味的に構造化された埋め込みを比較した。本稿では,キーポイントベースおよびトランスフォーマーベースオブジェクト検出アーキテクチャの知識埋め込み設計を提案する。
論文参考訳（メタデータ） (2021-12-21T17:10:21Z)
Knowledge as Invariance -- History and Perspectives of Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文参考訳（メタデータ） (2020-12-21T15:07:19Z)
A Data-Driven Study of Commonsense Knowledge using the ConceptNet Knowledge Base [8.591839265985412]
汎用人工知能(AI)の実現における重要なフロンティアとして,コモンセンス知識と推論の獲得が認められている。本稿では,コンセプションネットの知識基盤を実証的かつ構造的に分析することにより,コモンセンス知識のより深い理解を可能にする体系的な研究を提案し,実施する。最先端の教師なしグラフ表現学習(「埋め込み」)とクラスタリング技術を用いて、慎重に設計された3つの研究課題に関する詳細な実験結果から、ConceptNet関係の深いサブ構造を明らかにする。
論文参考訳（メタデータ） (2020-11-28T08:08:25Z)
Fit to Measure: Reasoning about Sizes for Robust Object Recognition [0.5352699766206808]
本稿では,MLに基づくアーキテクチャにおいて,オブジェクトサイズに関する知識を統合するアプローチを提案する。実世界のロボットシナリオにおける我々の実験は、この組み合わせによって、最先端の機械学習手法よりも大きなパフォーマンス向上が期待できることを示している。
論文参考訳（メタデータ） (2020-10-27T13:54:37Z)
A Survey of Knowledge Representation in Service Robotics [10.220366465518262]
我々は、知識表現と、どのようにして知識が収集され、表現され、どのように再生され、問題を解決するかに焦点を当てる。知識表現の定義に従って、そのような表現と有用な学習モデルの主な区別について議論する。効果的な知識表現を設計する際に考慮すべき重要な原則について議論する。
論文参考訳（メタデータ） (2018-07-05T22:18:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。