論文の概要: Deep Learning Enabled Uncorrelated Space Observation Association

• arxiv url: http://arxiv.org/abs/2001.05855v1
• Date: Thu, 9 Jan 2020 23:33:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 04:12:27.400449
• Title: Deep Learning Enabled Uncorrelated Space Observation Association
• Title（参考訳）: 深層学習による無相関宇宙観測連合
• Authors: Jacob J Decoto, David RC Dayton
• Abstract要約: 本稿では,物理や軌道力学の知識をコード化せずに学習可能な深層学習モデルが,共通物体の観測を識別するためのモデルを学ぶことができることを示す。 得られた学習モデルは、1,000の異なるシミュレーションされた非相関な観測結果の非バランスなデモセット上で、探索アルゴリズムと併用して使用される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Uncorrelated optical space observation association represents a classic needle in a haystack problem. The objective being to find small groups of observations that are likely of the same resident space objects (RSOs) from amongst the much larger population of all uncorrelated observations. These observations being potentially widely disparate both temporally and with respect to the observing sensor position. By training on a large representative data set this paper shows that a deep learning enabled learned model with no encoded knowledge of physics or orbital mechanics can learn a model for identifying observations of common objects. When presented with balanced input sets of 50% matching observation pairs the learned model was able to correctly identify if the observation pairs were of the same RSO 83.1% of the time. The resulting learned model is then used in conjunction with a search algorithm on an unbalanced demonstration set of 1,000 disparate simulated uncorrelated observations and is shown to be able to successfully identify true three observation sets representing 111 out of 142 objects in the population. With most objects being identified in multiple three observation triplets. This is accomplished while only exploring 0.06% of the search space of 1.66e8 possible unique triplet combinations.
• Abstract（参考訳）: 非相関な光学空間観測連合は、干し草問題における古典的な針を表す。 目的は、同じ居住空間オブジェクト(RSO)の可能性が高い小さなグループを、すべての非相関な観測のはるかに大きな集団から見つけることである。 これらの観察は、時間的にも観測センサーの位置に関しても、潜在的に広く異なる。 大規模な代表データ集合をトレーニングすることにより,物理や軌道力学のエンコード知識を持たない深層学習可能な学習モデルが,共通物体の観測を識別するモデルを学ぶことができることを示す。 50%の一致した観測ペアのバランスのとれた入力セットを提示すると、学習されたモデルは観測ペアが同じrso83.1%であるかどうかを正確に識別することができた。 得られた学習モデルは、1,000の異なるシミュレーションされた非相関な観測結果のアンバランスな実験セットの探索アルゴリズムと併用して、人口142のオブジェクトのうち111を表す真の3つの観測セットを識別できることが示されている。 ほとんどの物体は 3つの観測トリプレットで識別されています これは1.66e8の探索空間の0.06%のみを探索しながら達成される。

関連論文リスト

• The Paradox of Motion: Evidence for Spurious Correlations in Skeleton-based Gait Recognition Models [4.089889918897877]
  本研究は、視覚に基づく歩行認識が主に動きパターンに依存しているという一般的な仮定に挑戦する。 高さ情報の除去が顕著な性能低下につながることを比較分析により示す。 本研究では,時間的情報を無視して個々のポーズを処理する空間変換器モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-13T09:33:12Z)
• Causal Triplet: An Open Challenge for Intervention-centric Causal Representation Learning [98.78136504619539]
  Causal Tripletは、視覚的に複雑なシーンを特徴とする因果表現学習ベンチマークである。 この結果から,不整合表現やオブジェクト中心表現の知識によって構築されたモデルが,分散表現よりもはるかに優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-12T17:43:38Z)
• Distance-Aware Occlusion Detection with Focused Attention [5.65412692171429]
  視覚的関係の研究は、意味論的から幾何学的へと一歩前進する。 本研究では,焦点を絞るインフラとして,新しい3デコーダアーキテクチャを提案する。 本モデルは,距離認識関係検出における最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-08-23T17:59:15Z)
• Stochastic Coherence Over Attention Trajectory For Continuous Learning In Video Streams [64.82800502603138]
  本稿では,映像ストリーム中のピクセルワイズ表現を段階的かつ自律的に開発するための,ニューラルネットワークに基づく新しいアプローチを提案する。 提案手法は, 参加者の入場地を観察することで, エージェントが学習できる, 人間の様の注意機構に基づく。 実験では,3次元仮想環境を利用して,映像ストリームを観察することで,エージェントが物体の識別を学べることを示す。
  論文  参考訳（メタデータ） (2022-04-26T09:52:31Z)
• Combining Observational and Randomized Data for Estimating Heterogeneous Treatment Effects [82.20189909620899]
  不均一な治療効果を推定することは、多くの領域において重要な問題である。 現在、現存するほとんどの作品は観測データにのみ依存している。 本稿では、大量の観測データと少量のランダム化データを組み合わせることで、不均一な処理効果を推定する。
  論文  参考訳（メタデータ） (2022-02-25T18:59:54Z)
• A Hierarchical Bayesian model for Inverse RL in Partially-Controlled Environments [0.0]
  我々は、専門家の観測と、背景となる要素の観測の両方を取り入れた階層的ベイズモデルを提案する。 特に,本手法は,対象の軌跡について完全な知識を持つために,他の比較手法よりも優れている。
  論文  参考訳（メタデータ） (2021-07-13T02:38:14Z)
• OR-Net: Pointwise Relational Inference for Data Completion under Partial Observation [51.083573770706636]
  この作業はリレーショナル推論を使って不完全なデータを埋めます。 本稿では,2つの点での相対性理論をモデル化するために,全関係ネットワーク (or-net) を提案する。
  論文  参考訳（メタデータ） (2021-05-02T06:05:54Z)
• Active deep learning method for the discovery of objects of interest in large spectroscopic surveys [0.0]
  現在のLAMOST望遠鏡のアーカイブには、おそらく人間の目には見られない何百万ものパイプライン処理されたスペクトルが含まれている。 インタラクティブな可視化と現代的な機械学習技術を組み合わせることで、そのようなオブジェクトを発見する新たな方法が開かれる。 深層畳み込みネットワークが支援するアクティブラーニング分類を適用し, 数百万のスペクトルアーカイブにおいて, 複雑なエミッションライン形状を自動的に識別する。
  論文  参考訳（メタデータ） (2020-09-07T16:27:25Z)
• Few-shot Visual Reasoning with Meta-analogical Contrastive Learning [141.2562447971]
  本稿では,類似推論に頼って,数ショット(または低ショット)の視覚推論問題を解くことを提案する。 両領域の要素間の構造的関係を抽出し、類似学習と可能な限り類似するように強制する。 RAVENデータセット上での本手法の有効性を検証し, トレーニングデータが少ない場合, 最先端の手法より優れることを示す。
  論文  参考訳（メタデータ） (2020-07-23T14:00:34Z)
• Learning from Aggregate Observations [82.44304647051243]
  本研究では,一組のインスタンスに監視信号が与えられる集合観察から学習する問題について検討する。 本稿では,多種多様な集合観測に適合する一般的な確率的枠組みを提案する。 単純な極大解は様々な微分可能なモデルに適用できる。
  論文  参考訳（メタデータ） (2020-04-14T06:18:50Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。