Fugu-MT 論文翻訳(概要): Simultaneously Learning Corrections and Error Models for Geometry-based Visual Odometry Methods

論文の概要: Simultaneously Learning Corrections and Error Models for Geometry-based Visual Odometry Methods

arxiv url: http://arxiv.org/abs/2007.14943v1
Date: Wed, 29 Jul 2020 16:35:40 GMT
ステータス: 処理完了
システム内更新日: 2022-11-05 20:37:27.870288
Title: Simultaneously Learning Corrections and Error Models for Geometry-based Visual Odometry Methods
Title（参考訳）: 幾何に基づくビジュアルオドメトリー法における補正と誤りモデルの同時学習
Authors: Andrea De Maio and Simon Lacroix
Abstract要約: 本稿では,従来のビジュアル・オドメトリー・パイプラインを補完する深層学習手法を提案する。視覚計測プロセスに固有のバイアスを忠実に学習し,補償することができることを示す。
参考スコア（独自算出の注目度）: 3.5136071950790737
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper fosters the idea that deep learning methods can be used to complement classical visual odometry pipelines to improve their accuracy and to associate uncertainty models to their estimations. We show that the biases inherent to the visual odometry process can be faithfully learned and compensated for, and that a learning architecture associated with a probabilistic loss function can jointly estimate a full covariance matrix of the residual errors, defining an error model capturing the heteroscedasticity of the process. Experiments on autonomous driving image sequences assess the possibility to concurrently improve visual odometry and estimate an error associated with its outputs.
Abstract（参考訳）: 本稿では,従来の視覚オドメトリパイプラインを補完して精度を高め,不確実性モデルと推定を関連付けるために,深層学習手法が利用できるという考えを育む。本研究では,視覚計測プロセスに固有のバイアスを忠実に学習・補償することができ,確率的損失関数に関連付けられた学習アーキテクチャが,残差の完全共分散行列を共同で推定し,プロセスの不整合性を捉える誤差モデルを定義することができることを示す。自律走行画像列の実験は、視覚計測を同時に改善し、その出力に関連する誤差を推定する可能性を評価する。

関連論文リスト

Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。本手法は, 推定手法よりも有効であることを示す。
論文参考訳（メタデータ） (2024-08-26T08:39:09Z)
Supervised learning with probabilistic morphisms and kernel mean embeddings [0.0]
本稿では,教師あり学習における2つのアプローチを統一した教師あり学習モデルを提案する。統計的学習理論において無視されてきた2つの測定可能性問題に対処する。不正な問題を解くために,Vapnik-Stefanuykの正規化手法の変種を提案する。
論文参考訳（メタデータ） (2023-05-10T17:54:21Z)
Coordinated Double Machine Learning [8.808993671472349]
本稿では、ディープニューラルネットワークのための注意深く調整された学習アルゴリズムにより、推定バイアスを低減できると主張している。シミュレーションデータと実データの両方を用いた数値実験により,提案手法の実証性能が向上したことを示す。
論文参考訳（メタデータ） (2022-06-02T05:56:21Z)
A Model for Multi-View Residual Covariances based on Perspective Deformation [88.21738020902411]
マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
論文参考訳（メタデータ） (2022-02-01T21:21:56Z)
PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
論文参考訳（メタデータ） (2021-09-28T17:56:41Z)
Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
論文参考訳（メタデータ） (2020-07-30T05:48:48Z)
Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文参考訳（メタデータ） (2020-06-22T21:12:31Z)
Joint learning of variational representations and solvers for inverse problems with partially-observed data [13.984814587222811]
本稿では,教師付き環境において,逆問題に対する実際の変分フレームワークを学習するためのエンドツーエンドフレームワークを設計する。変動コストと勾配に基づく解法はどちらも、後者の自動微分を用いたニューラルネットワークとして記述される。これにより、データ駆動による変分モデルの発見につながる。
論文参考訳（メタデータ） (2020-06-05T19:53:34Z)
A Unified Weight Learning and Low-Rank Regression Model for Robust Complex Error Modeling [12.287346997617542]
回帰ベースのエラーモデルにおける最も重要な問題の1つは、画像の様々な汚職環境変化に起因する複雑な表現誤差をモデル化することである。本稿では,画像中のランダムノイズを同時に扱えるような,統一的な重み学習と低ランク近似回帰モデルを提案する。
論文参考訳（メタデータ） (2020-05-10T09:50:14Z)
Interpreting Rate-Distortion of Variational Autoencoder and Using Model Uncertainty for Anomaly Detection [5.491655566898372]
表現学習による教師なし異常検出のためのスケーラブルな機械学習システムを構築した。本稿では,情報理論の観点からVAEを再考し,再構成誤差を用いた理論的基礎を提供する。ベンチマークデータセットに対するアプローチの競合性能を実証的に示す。
論文参考訳（メタデータ） (2020-05-05T00:03:48Z)
Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文参考訳（メタデータ） (2020-04-21T23:09:55Z)

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。