論文の概要: Differentiable Mapping Networks: Learning Structured Map Representations for Sparse Visual Localization

• arxiv url: http://arxiv.org/abs/2005.09530v1
• Date: Tue, 19 May 2020 15:43:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 13:59:42.556677
• Title: Differentiable Mapping Networks: Learning Structured Map Representations for Sparse Visual Localization
• Title（参考訳）: 微分可能マッピングネットワーク:疎視化のための構造化マップ表現の学習
• Authors: Peter Karkus, Anelia Angelova, Vincent Vanhoucke, Rico Jonschkowski
• Abstract要約: 微分可能マッピングネットワーク(DMN)は、視覚的ローカライゼーションのための効果的なマップ表現を学習する。 シミュレーション環境と実世界のストリートビューデータセットを用いたDMNの評価を行った。
• 参考スコア（独自算出の注目度）: 28.696160266177806
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mapping and localization, preferably from a small number of observations, are fundamental tasks in robotics. We address these tasks by combining spatial structure (differentiable mapping) and end-to-end learning in a novel neural network architecture: the Differentiable Mapping Network (DMN). The DMN constructs a spatially structured view-embedding map and uses it for subsequent visual localization with a particle filter. Since the DMN architecture is end-to-end differentiable, we can jointly learn the map representation and localization using gradient descent. We apply the DMN to sparse visual localization, where a robot needs to localize in a new environment with respect to a small number of images from known viewpoints. We evaluate the DMN using simulated environments and a challenging real-world Street View dataset. We find that the DMN learns effective map representations for visual localization. The benefit of spatial structure increases with larger environments, more viewpoints for mapping, and when training data is scarce. Project website: http://sites.google.com/view/differentiable-mapping
• Abstract（参考訳）: マッピングとローカライゼーションは、好ましくは少数の観察から、ロボット工学における基本的なタスクである。 本稿では,空間構造(微分可能マッピング)とエンドツーエンド学習を組み合わせた新しいニューラルネットワークアーキテクチャである微分可能マッピングネットワーク(DMN)を提案する。 DMNは空間的に構造化されたビュー埋め込みマップを構築し、粒子フィルタによるその後の視覚的位置決めに使用する。 dmnアーキテクチャはエンドツーエンドで微分可能であるため、勾配降下を用いて地図表現と局所化を共同で学ぶことができる。 DMNを視覚的ローカライゼーションに応用し、ロボットは既知の視点からの少数の画像に対して、新しい環境にローカライズする必要がある。 シミュレーション環境と実世界のストリートビューデータセットを用いたDMNの評価を行った。 DMNは視覚的局所化のための効率的な地図表現を学習する。 空間構造の利点は、より大きな環境、マッピングの視点、そしてトレーニングデータが不足している場合に増大する。 プロジェクトウェブサイト: http://sites.google.com/view/differentiable-mapping

関連論文リスト

• Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
  本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。 バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。 ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-25T13:22:17Z)
• Neural Implicit Dense Semantic SLAM [83.04331351572277]
  本稿では,屋内シーンのメモリ効率,高密度な3次元形状,セマンティックセマンティックセグメンテーションをオンラインで学習する新しいRGBD vSLAMアルゴリズムを提案する。 私たちのパイプラインは、従来の3Dビジョンベースのトラッキングとループクローズとニューラルフィールドベースのマッピングを組み合わせたものです。 提案アルゴリズムはシーン認識を大幅に向上させ,様々なロボット制御問題を支援する。
  論文  参考訳（メタデータ） (2023-04-27T23:03:52Z)
• highway2vec -- representing OpenStreetMap microregions with respect to their road network characteristics [3.5960954499553512]
  本稿では,道路インフラストラクチャ特性に関するマイクロリージョンの埋め込みを生成する手法を提案する。 私たちは、いくつかの都市のOpenStreetMapロードネットワークをベースとしています。 地図六角形が道路網にどの程度近いかを検出するベクトル表現を得た。
  論文  参考訳（メタデータ） (2023-04-26T23:16:18Z)
• Self-Supervised Feature Learning for Long-Term Metric Visual Localization [16.987148593917905]
  本稿では,メトリクスの視覚的ローカライゼーションのための新しい自己教師型特徴学習フレームワークを提案する。 提案手法は, 画像照合アルゴリズムを用いて, 基底構造ラベルを使わずに画像対応を生成する。 次に、画像ペアをサンプリングして、深層ニューラルネットワークをトレーニングし、関連する記述子とスコアのスパースな特徴を学習する。
  論文  参考訳（メタデータ） (2022-11-30T21:15:05Z)
• iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
  iSDFは実時間符号付き距離場再構成のための連続学習システムである。 より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
  論文  参考訳（メタデータ） (2022-04-05T15:48:39Z)
• Hippocampal Spatial Mapping As Fast Graph Learning [0.0]
  海馬の形成は環境の空間地図を学習すると考えられており、多くのモデルにおいて、この学習プロセスは環境の各場所に感覚アソシエーションを形成する。 本研究では,環境部分のグラフ学習問題として空間マッピングにアプローチする。 海馬のエングラム細胞で表される学習グラフの各ノードは、実験的に観察されたニューロンタイプを用いて、側角膜皮質(LEC)の特徴情報と中角膜皮質(MEC)の位置情報に関連付けられている。 任意の情報をノードやエッジに関連付けるというこの中核的な考え方は本質的に空間的ではないので、この提案は高速である。
  論文  参考訳（メタデータ） (2021-07-01T16:05:42Z)
• Region Similarity Representation Learning [94.88055458257081]
  Region similarity Representation Learning(ReSim)は、ローカリゼーションベースのタスクに対する自己監視型表現学習の新しいアプローチである。 ReSimはローカリゼーションのための地域表現とセマンティックイメージレベルの表現の両方を学びます。 競合するMoCo-v2ベースラインと比較して、ReSimがローカリゼーションと分類性能を大幅に向上させる表現をどのように学習するかを示します。
  論文  参考訳（メタデータ） (2021-03-24T00:42:37Z)
• Neural-Pull: Learning Signed Distance Functions from Point Clouds by Learning to Pull Space onto Surfaces [68.12457459590921]
  3次元点雲から連続曲面を再構成することは、3次元幾何処理の基本的な操作である。 textitNeural-Pullは、シンプルで高品質なSDFを実現する新しいアプローチです。
  論文  参考訳（メタデータ） (2020-11-26T23:18:10Z)
• Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
  メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。 地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。 提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-01T19:24:27Z)
• Supervised Topological Maps [0.76146285961466]
  ニューラルネットワークの内部表現空間を制御することは、教師付き方法で新しいデータを生成することができるため、望ましい特徴である。 自己組織化マップ(SOM)から始まる一般化アルゴリズムを導出することにより、入力ストリームの低次元マッピングを構築しながら、これをどのように実現できるかを示す。
  論文  参考訳（メタデータ） (2020-08-14T14:30:16Z)

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。