論文の概要: The More the Merrier?! Evaluating the Effect of Landmark Extraction
Algorithms on Landmark-Based Goal Recognition
- arxiv url: http://arxiv.org/abs/2005.02986v1
- Date: Wed, 6 May 2020 17:41:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 05:42:10.523241
- Title: The More the Merrier?! Evaluating the Effect of Landmark Extraction
Algorithms on Landmark-Based Goal Recognition
- Title（参考訳）: メリーアーが多ければ多い!
ランドマークに基づくゴール認識におけるランドマーク抽出アルゴリズムの効果評価
- Authors: Kin Max Piamolini Gusm\~ao, Ramon Fraga Pereira, Felipe Meneguzzi
- Abstract要約: 古典的計画領域を用いた目標認識と計画認識への近年のアプローチは、認識時間と精度の両面から、技術結果の状態を達成している。
このような高速な認識時間を達成するために、これらの手法は効率的だが不完全であり、ドメインや問題を計画するためのランドマークのサブセットだけを抽出するアルゴリズムを使用する。
本稿では,各計画問題に対して,ランドマークの大部分を抽出できる種々のランドマーク抽出アルゴリズムを用いることによる影響と効果について検討する。
- 参考スコア（独自算出の注目度）: 25.6019435583572
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent approaches to goal and plan recognition using classical planning
domains have achieved state of the art results in terms of both recognition
time and accuracy by using heuristics based on planning landmarks. To achieve
such fast recognition time these approaches use efficient, but incomplete,
algorithms to extract only a subset of landmarks for planning domains and
problems, at the cost of some accuracy. In this paper, we investigate the
impact and effect of using various landmark extraction algorithms capable of
extracting a larger proportion of the landmarks for each given planning
problem, up to exhaustive landmark extraction. We perform an extensive
empirical evaluation of various landmark-based heuristics when using different
percentages of the full set of landmarks. Results show that having more
landmarks does not necessarily mean achieving higher accuracy and lower spread,
as the additional extracted landmarks may not necessarily increase be helpful
towards the goal recognition task.
- Abstract（参考訳）: 従来の計画領域を用いた目標と計画の認識に対する近年のアプローチは、計画のランドマークに基づくヒューリスティックスを用いて、認識時間と精度の両面で技術結果の状態を達成している。
このような迅速な認識を実現するために、これらのアプローチは効率的だが不完全なアルゴリズムを使用して、ある程度の精度で、計画領域や問題のためのランドマークのサブセットのみを抽出する。
本稿では,各計画問題に対するランドマークの大部分を抽出できる種々のランドマーク抽出アルゴリズムの使用による影響と効果について,徹底的なランドマーク抽出まで検討する。
ランドマークの全体集合の異なるパーセンテージを使用する場合、ランドマークに基づく様々なヒューリスティックを広範囲に評価する。
その結果、より多くのランドマークを持つことは必ずしも高い精度と低い拡散を達成するという意味ではなく、追加で抽出されたランドマークは必ずしもゴール認識タスクに役に立つとは限らない。
関連論文リスト
- Relevance Score: A Landmark-Like Heuristic for Planning [9.912614726055129]
我々は、特定の目標を達成するための計画がすべてではないが、ほとんどに現れる事実や行動を特定するのに役立つ新しい「関連スコア」を定義します。
我々は,提案手法の性能と,ベンチマーク計画問題を用いた画期的な計画手法の状況とを実験的に比較した。
論文 参考訳（メタデータ） (2024-03-12T10:45:45Z) - Planning Landmark Based Goal Recognition Revisited: Does Using Initial
State Landmarks Make Sense? [9.107782510356989]
本稿では,計画的ランドマークに基づく目標認識手法において,初期状態の一部であるランドマークを使用するメリットがないことを示す。
実験結果から,目標認識のための初期状態のランドマークを省略することで,目標認識性能が向上することが示された。
論文 参考訳（メタデータ） (2023-06-27T10:20:28Z) - DIR-AS: Decoupling Individual Identification and Temporal Reasoning for
Action Segmentation [84.78383981697377]
完全な教師付きアクションセグメンテーションは、高密度アノテーションによるフレームワイドアクション認識に作用し、しばしば過剰なセグメンテーションの問題に悩まされる。
本研究では, 時間的ピラミッド拡張と時間的ピラミッドプールを併用して, 効率的なマルチスケールアテンションを実現するため, 新たなローカル・グローバルアテンション機構を開発した。
GTEAでは82.8%(+2.6%)、Breakfastでは74.7%(+1.2%)の精度を実現し,本手法の有効性を示した。
論文 参考訳（メタデータ） (2023-04-04T20:27:18Z) - Leveraging Planning Landmarks for Hybrid Online Goal Recognition [7.690707525070737]
本稿では,象徴的な計画的ランドマークに基づくアプローチとデータ駆動型目標認識アプローチを組み合わせた,オンライン目標認識のためのハイブリッド手法を提案する。
提案手法は最先端技術よりも計算時間をはるかに効率よくするが,目標認識性能も向上する。
論文 参考訳（メタデータ） (2023-01-25T13:21:30Z) - k-Means Maximum Entropy Exploration [55.81894038654918]
余分な報酬を伴う連続空間での探索は、強化学習におけるオープンな問題である。
本研究では, 状態訪問分布のエントロピーに対する近似値の低界化に基づく人工好奇性アルゴリズムを提案する。
提案手法は,高次元連続空間における探索のためのベンチマークにおいて,計算効率と競合性の両方を示す。
論文 参考訳（メタデータ） (2022-05-31T09:05:58Z) - Class agnostic moving target detection by color and location prediction
of moving area [11.326363150470204]
移動目標検出はコンピュータビジョンにおいて重要な役割を果たす。
ディープラーニングベースの畳み込みニューラルネットワークのような最近のアルゴリズムは、高精度でリアルタイムのパフォーマンスを実現している。
モデル自由移動目標検出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-06-24T12:34:58Z) - Learn Fine-grained Adaptive Loss for Multiple Anatomical Landmark
Detection in Medical Images [15.7026400415269]
本稿ではランドマーク検出のための新しい学習学習フレームワークを提案する。
提案手法は汎用的であり,解剖学的ランドマーク検出の効率向上の可能性を示す。
論文 参考訳（メタデータ） (2021-05-19T13:39:18Z) - Deep Multi-Task Learning for Joint Localization, Perception, and
Prediction [68.50217234419922]
本稿では,ローカライズエラー下の最先端の自律性スタックで発生する問題について検討する。
我々は,認識,予測,局所化を共同で行うシステムの設計を行う。
本アーキテクチャでは,両タスク間の計算を再利用し,効率よくローカライズエラーを修正できる。
論文 参考訳（メタデータ） (2021-01-17T17:20:31Z) - Deep Structured Prediction for Facial Landmark Detection [59.60946775628646]
本稿では,深層畳み込みネットワークと条件付きランダムフィールドを組み合わせた深層構造顔のランドマーク検出手法を提案する。
顔のランドマーク検出における最先端技術よりも優れた性能を示す。
論文 参考訳（メタデータ） (2020-10-18T17:09:24Z) - Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。
提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。
3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
論文 参考訳（メタデータ） (2020-04-17T11:55:03Z) - Refined Plane Segmentation for Cuboid-Shaped Objects by Leveraging Edge
Detection [63.942632088208505]
本稿では,セグメント化された平面マスクを画像に検出されたエッジと整列するための後処理アルゴリズムを提案する。
これにより、立方体形状の物体に制限を加えながら、最先端のアプローチの精度を高めることができます。
論文 参考訳（メタデータ） (2020-03-28T18:51:43Z)
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。