論文の概要: Object Tracking by Least Spatiotemporal Searches

• arxiv url: http://arxiv.org/abs/2007.09288v2
• Date: Fri, 12 Mar 2021 07:25:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 05:34:53.935187
• Title: Object Tracking by Least Spatiotemporal Searches
• Title（参考訳）: 最小時空間探索による物体追跡
• Authors: Zhiyong Yu, Lei Han, Chao Chen, Wenzhong Guo, Zhiwen Yu
• Abstract要約: 5つの探索戦略を実験で比較し、IHMが最も効率的であることが検証され、最大1/3のコストを節約できる。 この結果から,「中間時点の探索はコストを節約できる」という証拠が得られた。
• 参考スコア（独自算出の注目度）: 30.517911630100976
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tracking a car or a person in a city is crucial for urban safety management. How can we complete the task with minimal number of spatiotemporal searches from massive camera records? This paper proposes a strategy named IHMs (Intermediate Searching at Heuristic Moments): each step we figure out which moment is the best to search according to a heuristic indicator, then at that moment search locations one by one in descending order of predicted appearing probabilities, until a search hits; iterate this step until we get the object's current location. Five searching strategies are compared in experiments, and IHMs is validated to be most efficient, which can save up to 1/3 total costs. This result provides an evidence that "searching at intermediate moments can save cost".
• Abstract（参考訳）: 車や人を追跡することは、都市の安全管理に不可欠である。 大規模なカメラ記録からの時空間探索を最小限にすれば,どうやってタスクを完了できるのか? 本稿では,IHMs (Intermediate Searching at Heuristic Moments) という戦略を提案する。各ステップごとに,ヒューリスティックな指標によってどのモーメントが検索に最適かを判断し,その瞬間に出現する確率の下位順に1つずつ探索する。 5つの探索戦略を実験で比較し、IHMが最も効率的であることが検証され、最大1/3のコストを節約できる。 この結果は「中間時点の探索はコストを節約できる」という証拠を提供する。

関連論文リスト

• Deep Reinforcement Learning for Time-Critical Wilderness Search And Rescue Using Drones [0.294944680995069]
  本稿では,自然環境におけるドローンの効率的な探索ミッション構築のための深層強化学習の活用について検討する。 実験の結果,従来のカバレッジ計画や探索計画アルゴリズムと比較して,検索時間の大幅な改善が得られた。
  論文  参考訳（メタデータ） (2024-05-21T13:51:47Z)
• Efficient and Robust Point Cloud Registration via Heuristics-guided Parameter Search [44.774302677330105]
  配置された3次元対応セットに基づいて6自由度で剛性変換を推定することは、点雲登録において決定的な手順である。 本稿では,高ロバスト性を維持しつつ,探索を高速化するパラメータ探索戦略を提案する。 我々の戦略は検索スペースを大幅に減らし、少数のインサイレントサンプルで精度を保証できる。
  論文  参考訳（メタデータ） (2024-04-09T09:28:05Z)
• A Visual Active Search Framework for Geospatial Exploration [36.31732056074638]
  多くの問題は、航空画像によって支援された地理空間探索の形式と見なすことができる。 我々は3つの重要な入力を持つ視覚的能動探索(VAS)フレームワークでこの問題をモデル化する。 完全注釈付き検索タスクの集合からメタ検索ポリシーを学習するVASのための強化学習手法を提案する。
  論文  参考訳（メタデータ） (2022-11-28T21:53:05Z)
• Exploring Complicated Search Spaces with Interleaving-Free Sampling [127.07551427957362]
  本稿では,長距離接続を伴う複雑な検索空間上に探索アルゴリズムを構築する。 我々はtextbfIF-NAS という単純なアルゴリズムを提案し、異なるサブネットワークを構築するために周期的なサンプリング戦略を実行する。 提案した探索空間において、IF-NASはランダムサンプリングと従来の重み付け検索のアルゴリズムを有意差で上回っている。
  論文  参考訳（メタデータ） (2021-12-05T06:42:48Z)
• Learning to Stop: Dynamic Simulation Monte-Carlo Tree Search [66.34387649910046]
  モンテカルロ木探索(MCTS)は、囲碁やアタリゲームなど多くの領域で最先端の結果を得た。 我々は,現在の検索状況の不確かさを予測し,その結果を用いて検索をやめるべきかどうかを判断することで,この目標を達成することを提案する。
  論文  参考訳（メタデータ） (2020-12-14T19:49:25Z)
• Batch Exploration with Examples for Scalable Robotic Reinforcement Learning [63.552788688544254]
  BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。 BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
  論文  参考訳（メタデータ） (2020-10-22T17:49:25Z)
• Searching for a Search Method: Benchmarking Search Algorithms for Generating NLP Adversarial Examples [10.993342896547691]
  自然言語処理(NLP)タスクの逆例を生成するために,複数のブラックボックス探索アルゴリズムの動作について検討した。 検索アルゴリズム,検索空間,検索予算の3つの要素を詳細に分析する。
  論文  参考訳（メタデータ） (2020-09-09T17:04:42Z)
• Best-First Beam Search [78.71330480725668]
  本研究では,ビームサーチの標準実装を10倍高速に実現可能であることを示す。 ダウンストリーム性能の面でも同様に有益な探索バイアスを有するBest-First Beam Searchのメモリ再生版を提案する。
  論文  参考訳（メタデータ） (2020-07-08T05:56:01Z)
• Expedited Multi-Target Search with Guaranteed Performance via Multi-fidelity Gaussian Processes [9.434133337939496]
  本研究では,自動運転車が3次元環境下で動作し,環境の2次元フロア上で未知の静止目標を探索するシナリオを考察する。 床面から異なる高度で利用可能なセンシング情報を体系的に記述する多要素ガウス法を用いて、センシング場をモデル化する。 センサモデルに基づいて,マルチターゲット探索 (EMTS) と呼ばれる新しいアルゴリズムを設計し,その適用範囲と精度のトレードオフに対処する。
  論文  参考訳（メタデータ） (2020-05-18T02:53:52Z)

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。