論文の概要: Ensemble of Sparse Gaussian Process Experts for Implicit Surface Mapping
with Streaming Data
- arxiv url: http://arxiv.org/abs/2002.04911v1
- Date: Wed, 12 Feb 2020 11:06:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 19:37:04.917132
- Title: Ensemble of Sparse Gaussian Process Experts for Implicit Surface Mapping
with Streaming Data
- Title(参考訳): ストリーミングデータを用いた入射表面マッピングのためのスパースガウス過程エキスパートの集合
- Authors: Johannes A. Stork and Todor Stoyanov
- Abstract要約: 我々は、既知のポーズを持つ範囲データのストリームから、環境のコンパクトで連続的な暗黙の表面マップを学習する。
GPモデルに到着するすべてのデータを挿入する代わりに、モデルの複雑さと予測エラーの間に鮮やかにトレードオフがあります。
その結果、異なる条件下で、コンパクトで正確な暗黙曲面モデルを学習できることが示唆された。
- 参考スコア(独自算出の注目度): 13.56926815833324
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Creating maps is an essential task in robotics and provides the basis for
effective planning and navigation. In this paper, we learn a compact and
continuous implicit surface map of an environment from a stream of range data
with known poses. For this, we create and incrementally adjust an ensemble of
approximate Gaussian process (GP) experts which are each responsible for a
different part of the map. Instead of inserting all arriving data into the GP
models, we greedily trade-off between model complexity and prediction error.
Our algorithm therefore uses less resources on areas with few geometric
features and more where the environment is rich in variety. We evaluate our
approach on synthetic and real-world data sets and analyze sensitivity to
parameters and measurement noise. The results show that we can learn compact
and accurate implicit surface models under different conditions, with a
performance comparable to or better than that of exact GP regression with
subsampled data.
- Abstract(参考訳): 地図の作成はロボティクスの重要なタスクであり、効果的な計画とナビゲーションの基盤を提供する。
本稿では,既知のポーズを持つ距離データのストリームから,環境のコンパクトで連続的な暗黙的表面マップを学習する。
このために,マップの異なる部分に対してそれぞれ責任を負う近似ガウス過程(gp)の専門家のアンサンブルを作成し,段階的に調整する。
gpモデルに到着したすべてのデータを挿入する代わりに、モデルの複雑さと予測エラーをゆるやかにトレードオフします。
したがって, このアルゴリズムでは, 幾何学的特徴が少なく, 環境が多種多様である地域では資源の消費が少ない。
合成および実世界のデータセットに対する我々のアプローチを評価し,パラメータに対する感度と測定ノイズを分析した。
その結果、異なる条件下ではコンパクトで正確な暗黙的表面モデルを学習でき、サブサンプルデータによるgp回帰と同等かそれ以上の性能が得られることがわかった。
関連論文リスト
- GeoMix: Towards Geometry-Aware Data Augmentation [76.09914619612812]
Mixupは画像分類におけるラベル付き限られたデータによる課題の緩和にかなりの成功を収めている。
In-place graph editing を利用した簡易かつ解釈可能な混合手法 Geometric Mixup (GeoMix) を提案する。
論文 参考訳(メタデータ) (2024-07-15T12:58:04Z) - Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳(メタデータ) (2024-01-12T22:51:48Z) - RGM: A Robust Generalizable Matching Model [49.60975442871967]
RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。
合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。
さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
論文 参考訳(メタデータ) (2023-10-18T07:30:08Z) - Heterogeneous Multi-Task Gaussian Cox Processes [61.67344039414193]
異種相関タスクを共同でモデル化するためのマルチタスクガウスコックスプロセスの新たな拡張を提案する。
MOGPは、分類、回帰、ポイントプロセスタスクの専用可能性のパラメータに先行して、異種タスク間の情報の共有を容易にする。
モデルパラメータを推定するための閉形式反復更新を実現する平均場近似を導出する。
論文 参考訳(メタデータ) (2023-08-29T15:01:01Z) - Interactive Segmentation as Gaussian Process Classification [58.44673380545409]
クリックベースのインタラクティブセグメンテーション(IS)は、ユーザインタラクション下で対象オブジェクトを抽出することを目的としている。
現在のディープラーニング(DL)ベースの手法のほとんどは、主にセマンティックセグメンテーションの一般的なパイプラインに従っている。
本稿では,各画像上でガウス過程(GP)に基づく画素単位のバイナリ分類モデルとしてISタスクを定式化することを提案する。
論文 参考訳(メタデータ) (2023-02-28T14:01:01Z) - Neural-Sim: Learning to Generate Training Data with NeRF [31.81496344354997]
本稿では,ニューラルレージアンスフィールド(NeRF)を対象アプリケーションの損失関数を持つ閉ループに使用した,最初の完全微分可能な合成データパイプラインを提案する。
提案手法は,人的負担を伴わないオンデマンドでデータを生成し,目標タスクの精度を最大化する。
論文 参考訳(メタデータ) (2022-07-22T22:48:33Z) - Visual SLAM with Graph-Cut Optimized Multi-Plane Reconstruction [11.215334675788952]
本稿では,インスタンス平面セグメンテーションネットワークからのキューを用いたポーズ推定とマッピングを改善する意味平面SLAMシステムを提案する。
メインストリームのアプローチはRGB-Dセンサーを使用するが、そのようなシステムを備えた単眼カメラを使うことは、ロバストデータアソシエーションや正確な幾何モデルフィッティングといった課題に直面している。
論文 参考訳(メタデータ) (2021-08-09T18:16:08Z) - Deep Gaussian Processes for Biogeophysical Parameter Retrieval and Model
Inversion [14.097477944789484]
本稿では,生物地球物理モデルインバージョンにおける深部ガウス過程 (DGP) の利用について紹介する。
浅いGPモデルとは異なり、DGPは複雑な(モジュラーで階層的な)プロセスを説明し、大きなデータセットによくスケールする効率的なソリューションを提供する。
論文 参考訳(メタデータ) (2021-04-16T10:42:01Z) - Surface Warping Incorporating Machine Learning Assisted Domain
Likelihood Estimation: A New Paradigm in Mine Geology Modelling and
Automation [68.8204255655161]
新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。
本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。
その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
論文 参考訳(メタデータ) (2021-02-15T10:37:52Z) - Locally induced Gaussian processes for large-scale simulation
experiments [0.0]
本稿では,ポイントの配置とその多さを病理学的に抑制できることを示す。
提案手法は,グローバルなインジェクションポイントとデータサブセットに基づく局所GP近似をハイブリダイズする。
計算効率のフロンティアにおいて,局所誘導点がグローバルおよびデータサブセットの構成要素を拡張していることを示す。
論文 参考訳(メタデータ) (2020-08-28T21:37:46Z)
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。