論文の概要: Landmark2Vec: An Unsupervised Neural Network-Based Landmark Positioning Method

• arxiv url: http://arxiv.org/abs/2001.10568v1
• Date: Tue, 28 Jan 2020 19:39:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 02:23:36.521116
• Title: Landmark2Vec: An Unsupervised Neural Network-Based Landmark Positioning Method
• Title（参考訳）: Landmark2Vec: 教師なしニューラルネットワークによるランドマーク位置決め手法
• Authors: Alireza Razavi
• Abstract要約: 地図推定の目標は、スケール、回転、シフトまでのランドマークの位置を見つけることである。 浅いネットワークは、根拠となる真実情報なしで地図を学習するように訓練される。
• 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: A Neural Network-based method for unsupervised landmarks map estimation from measurements taken from landmarks is introduced. The measurements needed for training the network are the signals observed/received from landmarks by an agent. The definition of landmarks, agent, and the measurements taken by agent from landmarks is rather broad here: landmarks can be visual objects, e.g., poles along a road, with measurements being the size of landmark in a visual sensor mounted on a vehicle (agent), or they can be radio transmitters, e.g., WiFi access points inside a building, with measurements being the Received Signal Strength (RSS) heard from them by a mobile device carried by a person (agent). The goal of the map estimation is then to find the positions of landmarks up to a scale, rotation, and shift (i.e., the topological map of the landmarks). Assuming that there are $L$ landmarks, the measurements will be $L \times 1$ vectors collected over the area. A shallow network then will be trained to learn the map without any ground truth information.
• Abstract（参考訳）: ランドマークからの計測から教師なしランドマークマップ推定のためのニューラルネットワークに基づく手法を提案する。 ネットワークの訓練に必要な測定値は、エージェントがランドマークから観測/受信する信号である。 ランドマーク(ランドマーク)、エージェント(エージェント)、およびランドマーク(ランドマーク)は、例えば道路沿いのポール、車両(エージェント)に搭載された視覚センサーのランドマークの大きさ、または建物内のWiFiアクセスポイントなどの無線送信機、そして人(エージェント)が携帯するモバイルデバイスから受信した受信信号強度(RSS)によって測定される。 地図推定の目標は、スケール、回転、シフト(すなわち、ランドマークのトポロジカルマップ)までのランドマークの位置を見つけることである。 ランドマークが$L$であれば、その領域で収集された1$ベクトルは$L \times 1$である。 浅いネットワークは、基礎的な真理情報なしで地図を学ぶように訓練される。

関連論文リスト

• Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
  本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。 本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。 我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
  論文  参考訳（メタデータ） (2024-10-10T10:10:03Z)
• Data-Driven Radio Environment Map Estimation Using Graph Neural Networks [0.0]
  グラフニューラルネットワークを用いて無線環境マップ(REM)を推定する手法を提案する。 提案アーキテクチャは、ネットワーク全体の空間的依存関係をキャプチャするグラフニューラルネットワークの利点を継承する。
  論文  参考訳（メタデータ） (2024-06-09T00:17:33Z)
• Map-aided annotation for pole base detection [0.0]
  本稿では2次元HDマップを用いて,画像中の極状特徴を自動的にアノテートする。 高さ情報がない場合、地図の特徴は地上のポールベースとして表現される。 ポールベースを検出するためにオブジェクト検出器をどのように訓練するかを示す。
  論文  参考訳（メタデータ） (2024-03-04T09:23:11Z)
• RCLane: Relay Chain Prediction for Lane Detection [76.62424079494285]
  本稿では,リレーチェーン予測に基づく車線検出手法を提案する。 当社の戦略では,TuSimple,CULane,CurveLanes,LLAMASの4つの主要なベンチマーク上で,最先端の新たなベンチマークを確立することが可能です。
  論文  参考訳（メタデータ） (2022-07-19T16:48:39Z)
• Object Tracking and Geo-localization from Street Images [4.5958644027273685]
  本稿では,低フレームレートのストリートビデオから交通標識を検出・位置情報化するフレームワークを提案する。 提案システムは、カメラに対する各符号の位置オフセットを予測するRetinaNet(GPS-RetinaNet)の修正版を用いている。 提案したデータセットは、幅広い道路から収集された多様な環境群をカバーする。
  論文  参考訳（メタデータ） (2021-07-13T17:32:04Z)
• Residual Moment Loss for Medical Image Segmentation [56.72261489147506]
  位置情報は,対象物体の多様体構造を捉えた深層学習モデルに有効であることが証明された。 既存のほとんどの手法は、ネットワークが学習するために、位置情報を暗黙的にエンコードする。 セグメント化対象の位置情報を明示的に埋め込むために,新しい損失関数,すなわち残差モーメント(RM)損失を提案する。
  論文  参考訳（メタデータ） (2021-06-27T09:31:49Z)
• Location-Sensitive Visual Recognition with Cross-IOU Loss [177.86369890708457]
  本稿では,オブジェクト検出,インスタンスセグメンテーション,ポーズ推定のための位置感知ネットワーク (LSNet) という統合ソリューションを提案する。 ディープニューラルネットワークをバックボーンとして、LSNetは、ターゲットオブジェクトの形状を一緒に定義するアンカーポイントとランドマークのセットを予測します。
  論文  参考訳（メタデータ） (2021-04-11T02:17:14Z)
• Semantic MapNet: Building Allocentric Semantic Maps and Representations from Egocentric Views [50.844459908504476]
  セマンティックマッピングの課題について検討する。具体的には、エンボディエージェント(ロボットまたはエゴセントリックAIアシスタント)が新しい環境のツアーを受ける。 我々は、RGB-Dカメラのエゴセントリックな観察と既知のポーズから、トップダウンのセマンティックマップ("What is where?")を構築する。 本稿では、投影型カメラ幾何とニューラル表現学習の強みを組み合わせたSemanticMapNet(SMNet)を提案する。
  論文  参考訳（メタデータ） (2020-10-02T20:44:46Z)
• Graph-based Proprioceptive Localization Using a Discrete Heading-Length Feature Sequence Matching Approach [14.356113113268389]
  Proprioceptive Localizationは、新しいタイプのロボットエゴセントリックなローカライゼーション手法を指す。 これらの方法は自然に悪天候、照明条件、その他の極端な環境条件に免疫がある。 環境条件の厳しい環境条件下で、ローカライゼーションのための低コストなフォールバックソリューションを提供する。
  論文  参考訳（メタデータ） (2020-05-27T23:10:15Z)
• Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
  我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。 人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。 実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-15T23:57:36Z)
• SpotNet: Self-Attention Multi-Task Network for Object Detection [11.444576186559487]
  我々は,背景サブトラクションや光フローを用いて,半教師付き方式で前景/後景セグメンテーションラベルを作成する。 ネットワーク内のセグメンテーションマップを自己認識機構として使用して,境界ボックスの生成に使用する特徴マップを重み付けする。 この手法を用いることで,2つの交通監視データセットにおいて,重要なmAP改善が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-13T14:43:24Z)

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。