論文の概要: Unsupervised Learning Methods for Visual Place Recognition in Discretely
and Continuously Changing Environments
- arxiv url: http://arxiv.org/abs/2001.08960v1
- Date: Fri, 24 Jan 2020 12:23:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-07 05:25:12.569119
- Title: Unsupervised Learning Methods for Visual Place Recognition in Discretely
and Continuously Changing Environments
- Title（参考訳）: 離散的・連続的に変化する環境における視覚位置認識のための教師なし学習法
- Authors: Stefan Schubert and Peer Neubert and Peter Protzel
- Abstract要約: 条件が1つのセット内で変化すると、同じ条件下にある異なる場所が、異なる条件下にある同じ場所よりも突然類似していることを示す。
本稿では,(1)インシーケンス変化のない,(2)個別のインシーケンス変化のない,(3)連続的なインシーケンス変化の階層を定義した。
本実験は, ディスクリプタの統計的標準化の重要性を強調し, 連続的な変化の場合の限界を示す。
- 参考スコア（独自算出の注目度）: 22.9785822722919
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visual place recognition in changing environments is the problem of finding
matchings between two sets of observations, a query set and a reference set,
despite severe appearance changes. Recently, image comparison using CNN-based
descriptors showed very promising results. However, existing experiments from
the literature typically assume a single distinctive condition within each set
(e.g., reference: day, query: night). We demonstrate that as soon as the
conditions change within one set (e.g., reference: day, query: traversal
daytime-dusk-night-dawn), different places under the same condition can
suddenly look more similar than same places under different conditions and
state-of-the-art approaches like CNN-based descriptors fail. This paper
discusses this practically very important problem of in-sequence condition
changes and defines a hierarchy of problem setups from (1) no in-sequence
changes, (2) discrete in-sequence changes, to (3) continuous in-sequence
changes. We will experimentally evaluate the effect of these changes on two
state-of-the-art CNN-descriptors. Our experiments emphasize the importance of
statistical standardization of descriptors and shows its limitations in case of
continuous changes. To address this practically most relevant setup, we
investigate and experimentally evaluate the application of unsupervised
learning methods using two available PCA-based approaches and propose a novel
clustering-based extension of the statistical normalization.
- Abstract（参考訳）: 環境変化における視覚的位置認識は、厳しい外観変化にもかかわらず、2つの観測セット、クエリセットと参照セットのマッチングを見つける問題である。
近年,cnnを用いた画像比較で有望な結果が得られた。
しかしながら、文献からの既存の実験は、通常、各集合内の単一の特異な条件(例えば、日、クエリー、夜)を仮定する。
条件が1つのセット内で変化すると(例えば、日、クエリ: traversal daytime-dusk-night-dawn)、同じ条件下の異なる場所は、異なる条件下の同じ場所よりも突然よく見え、CNNベースの記述子のような最先端のアプローチは失敗する。
本論では,(1)非順序変化,(2)離散的インシーケンス変化,(3)連続的インシーケンス変化といった問題設定の階層を定義する。
これらの変化が2つの最先端CNN記述子に与える影響を実験的に評価する。
本実験は, ディスクリプタの統計的標準化の重要性を強調し, 連続的な変化の場合の限界を示す。
そこで本研究では,2つのPCAベースの手法を用いて教師なし学習手法の適用について検討し,統計的正規化のクラスタリングに基づく新たな拡張を提案する。
関連論文リスト
- SoftCVI: Contrastive variational inference with self-generated soft labels [2.5398014196797614]
変分推論とマルコフ連鎖モンテカルロ法がこのタスクの主要なツールである。
ソフトコントラスト変動推論(SoftCVI)を導入し、コントラスト推定フレームワークを用いて変動対象のファミリーを導出する。
我々は、SoftCVIを用いて、訓練や大量発見に安定な目標を定式化することができ、他の変分アプローチよりも頻繁に優れた推論が可能であることを発見した。
論文 参考訳（メタデータ） (2024-07-22T14:54:12Z) - Causal Discovery-Driven Change Point Detection in Time Series [32.424281626708336]
時系列における変化点検出は、時系列の確率分布が変化する時間を特定する。
実践的な応用では、時系列の特定の構成要素にのみ興味を持ち、その分布の急激な変化を探求する。
論文 参考訳（メタデータ） (2024-07-10T00:54:42Z) - CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。
既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。
本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
論文 参考訳（メタデータ） (2023-08-18T04:45:56Z) - DCID: Deep Canonical Information Decomposition [84.59396326810085]
本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。
そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。
また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
論文 参考訳（メタデータ） (2023-06-27T16:59:06Z) - Intrinsic Anomaly Detection for Multi-Variate Time Series [33.199682596741276]
固有の異常は、環境を表す時系列と、その環境に置かれるシステムの内部状態を表す時系列の間の機能的依存構造の変化である。
これらのことは、システムの状態の変化と予期せぬ変化、すなわち環境の影響から逸脱するシステムの変化を区別できない既存の異常検出手法の欠点に対処する。
我々の最も有望なアプローチは、完全に教師なしであり、敵対的学習と時系列表現学習を組み合わせることで、ラベルの空間性や主観性といった問題に対処する。
論文 参考訳（メタデータ） (2022-06-29T00:51:44Z) - Deep learning model solves change point detection for multiple change
types [69.77452691994712]
変更点検出は、データ分散の急激な障害をキャッチすることを目的としている。
本稿では,マルチディストリビューションシナリオにおけるアプローチを提案する。
論文 参考訳（メタデータ） (2022-04-15T09:44:21Z) - Fine-grained Temporal Contrastive Learning for Weakly-supervised
Temporal Action Localization [87.47977407022492]
本稿では,シーケンス・ツー・シーケンスの区別を文脈的に比較することで学習が,弱い教師付き行動の局所化に不可欠な帰納的バイアスをもたらすことを論じる。
微分可能な動的プログラミングの定式化の下では、FSD(Fen-fine Sequence Distance)とLCS(Longest Common Subsequence)の2つの相補的コントラストが設計されている。
提案手法は,2つのベンチマークにおいて最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-03-31T05:13:50Z) - Detecting Rewards Deterioration in Episodic Reinforcement Learning [63.49923393311052]
多くのRLアプリケーションでは、トレーニングが終了すると、エージェント性能の劣化をできるだけ早く検出することが不可欠である。
我々は,各エピソードにおける報酬が独立でもなく,同一に分散した,マルコフでもない,エピソード的枠組みを考察する。
平均シフトは、時間信号の劣化(報酬など)に対応する方法で定義し、最適な統計的パワーでこの問題の試行を導出する。
論文 参考訳（メタデータ） (2020-10-22T12:45:55Z) - A Background-Agnostic Framework with Adversarial Training for Abnormal
Event Detection in Video [120.18562044084678]
近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。
通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
論文 参考訳（メタデータ） (2020-08-27T18:39:24Z) - Localizing Anomalies from Weakly-Labeled Videos [45.58643708315132]
Weakly Supervised Anomaly Localization (WSAL)法を提案する。
異常映像の出現差にインスパイアされ, 隣接する時間領域の進化を異常映像の局所化のために評価した。
提案手法は,UCF-CrimeおよびTADデータセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2020-08-20T12:58:03Z)
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。