論文の概要: A Closed-Form Uncertainty Propagation in Non-Rigid Structure from Motion
- arxiv url: http://arxiv.org/abs/2005.04810v5
- Date: Mon, 5 Sep 2022 13:54:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 02:06:21.342186
- Title: A Closed-Form Uncertainty Propagation in Non-Rigid Structure from Motion
- Title（参考訳）: 運動による非剛体構造の閉形不確かさ伝播
- Authors: Jingwei Song, Mitesh Patel, Ashkan Jasour, and Maani Ghaffari
- Abstract要約: 低ランク事前の半有限計画法(SDP)は、NRSfM(Non-Rigid Structure from Motion)に広く応用されている。
変形可能な形状復元の効率は高いが, 復元された形状の不確かさをSDPプロセスから評価する方法はいまだ不明である。
- 参考スコア（独自算出の注目度）: 7.005865560075061
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semi-Definite Programming (SDP) with low-rank prior has been widely applied
in Non-Rigid Structure from Motion (NRSfM). Based on a low-rank constraint, it
avoids the inherent ambiguity of basis number selection in conventional
base-shape or base-trajectory methods. Despite the efficiency in deformable
shape reconstruction, it remains unclear how to assess the uncertainty of the
recovered shape from the SDP process. In this paper, we present a statistical
inference on the element-wise uncertainty quantification of the estimated
deforming 3D shape points in the case of the exact low-rank SDP problem. A
closed-form uncertainty quantification method is proposed and tested. Moreover,
we extend the exact low-rank uncertainty quantification to the approximate
low-rank scenario with a numerical optimal rank selection method, which enables
solving practical application in SDP based NRSfM scenario. The proposed method
provides an independent module to the SDP method and only requires the
statistic information of the input 2D tracked points. Extensive experiments
prove that the output 3D points have identical normal distribution to the 2D
trackings, the proposed method and quantify the uncertainty accurately, and
supports that it has desirable effects on routinely SDP low-rank based NRSfM
solver.
- Abstract（参考訳）: 半有限計画法 (SDP) は, 動きからの非ディジタル構造 (NRSfM) において広く適用されている。
低ランク制約に基づいて、従来のベース形状やベース軌道法における基底数選択の曖昧さを回避する。
変形可能な形状復元の効率は高いが,SDPプロセスから復元した形状の不確実性を評価する方法はまだ不明である。
本稿では, 正確な低ランクSDP問題において, 推定変形3次元形状点の要素的不確実性定量化に関する統計的推測を行う。
閉形式不確実性定量化法を提案し, 実験を行った。
さらに, SDP に基づく NRSfM シナリオにおける実用的応用を可能にする数値的最適ランク選択法により, 正確な低ランク不確実性定量化を近似低ランクシナリオに拡張する。
提案手法はSDP法に対して独立モジュールを提供し,入力された2次元追跡点の統計情報のみを必要とする。
広汎な実験により,出力された3D点が2次元追跡と同一の正規分布を持つことが証明され,その不確かさを正確に定量化し,通常のSDPローランクベースNRSfMソルバに望ましい効果が得られた。
関連論文リスト
- Annealed Stein Variational Gradient Descent for Improved Uncertainty Estimation in Full-Waveform Inversion [25.714206592953545]
変分推論 (VI) は、パラメトリックまたは非パラメトリックな提案分布の形で後部分布に近似的な解を与える。
本研究は、フルウェーブフォーム・インバージョンにおけるVIの性能向上を目的としている。
論文 参考訳（メタデータ） (2024-10-17T06:15:26Z) - Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。
非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
論文 参考訳（メタデータ） (2024-08-20T19:06:02Z) - Combining Statistical Depth and Fermat Distance for Uncertainty Quantification [3.3975558777609915]
我々は、Fermat Distanceと組み合わせたLens Depth'(LD)という統計的概念を用いて、ニューラルネットワークの予測における領域外不確実性を測定する。
提案手法は,おもちゃのデータセットに対して優れた定性的な結果を与えるとともに,標準的なディープラーニングデータセットに対して,競合的あるいはより良い不確実性評価を行うことができる。
論文 参考訳（メタデータ） (2024-04-12T13:54:21Z) - DF2: Distribution-Free Decision-Focused Learning [53.2476224456902]
決定中心学習(DFL)は近年,予測最適化問題に対する強力なアプローチとして出現している。
既存のエンドツーエンドDFL法は、モデル誤差、サンプル平均近似誤差、予測対象の分布に基づくパラメータ化の3つの重大なボトルネックによって妨げられている。
DF2は,これら3つのボトルネックに明示的に対処するために設計された,初となるテキストフリーな意思決定型学習手法である。
論文 参考訳（メタデータ） (2023-08-11T00:44:46Z) - Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
不確実性推定は統計的に正確な予測を提供する効果的なツールである。
本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
論文 参考訳（メタデータ） (2023-02-12T14:30:03Z) - Robust Anytime Learning of Markov Decision Processes [8.799182983019557]
データ駆動型アプリケーションでは、限られたデータから正確な確率を導き出すと統計的エラーが発生する。
不確実なMDP(uMDP)は正確な確率を必要としないが、遷移においていわゆる不確実性集合を用いる。
本稿では,ベイズ的推論スキームとロバストポリシーの計算を組み合わせた,頑健な任意の時間学習手法を提案する。
論文 参考訳（メタデータ） (2022-05-31T14:29:55Z) - Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose
Estimation [70.32536356351706]
本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。
ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。
本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
論文 参考訳（メタデータ） (2022-03-29T07:14:58Z) - NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural
Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。
種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文 参考訳（メタデータ） (2022-02-07T12:30:45Z) - Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
論文 参考訳（メタデータ） (2021-07-08T15:19:36Z) - Stein ICP for Uncertainty Estimation in Point Cloud Matching [41.22194677919566]
点雲マッチングにおける不確実性の定量化は、ポーズ推定、センサー融合、把握といった多くのタスクにおいて重要である。
反復最近点 (ICP) は、2つの点雲間の変換の点推定を提供する、一般的に使用されるポーズ推定アルゴリズムである。
我々は,ICPの変換パラメータの不確かさを正確に推定できる2点雲を整列する新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-06-07T01:07:34Z) - Semi-supervised deep learning for high-dimensional uncertainty
quantification [6.910275451003041]
本稿では,次元削減と信頼性解析のための半教師付き学習フレームワークを提案する。
オートエンコーダは、まず高次元空間を低次元潜在空間にマッピングするために用いられる。
ディープフィードフォワードニューラルネットワークを用いてマッピング関係を学習し、潜伏空間を再構築する。
論文 参考訳（メタデータ） (2020-06-01T15:15:42Z)
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。