論文の概要: Deep Phase Correlation for End-to-End Heterogeneous Sensor Measurements Matching

• arxiv url: http://arxiv.org/abs/2008.09474v4
• Date: Mon, 2 Nov 2020 11:00:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 22:12:23.278239
• Title: Deep Phase Correlation for End-to-End Heterogeneous Sensor Measurements Matching
• Title（参考訳）: エンド・ツー・エンド異種センサ計測マッチングのための深部位相相関
• Authors: Zexi Chen, Xuecheng Xu, Yue Wang, Rong Xiong
• Abstract要約: 不均一なセンサ計測に適合するエンド・ツー・エンドのディープ位相相関ネットワーク(DPCN)を提案する。 主なコンポーネントは、学習可能な特徴抽出器にポーズエラーをバックプロパゲートする、微分可能な相関ベースの推定器である。 解釈可能なモデリングにより、ネットワークは軽量化され、より良い一般化が期待できる。
• 参考スコア（独自算出の注目度）: 12.93459392278491
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The crucial step for localization is to match the current observation to the map. When the two sensor modalities are significantly different, matching becomes challenging. In this paper, we present an end-to-end deep phase correlation network (DPCN) to match heterogeneous sensor measurements. In DPCN, the primary component is a differentiable correlation-based estimator that back-propagates the pose error to learnable feature extractors, which addresses the problem that there are no direct common features for supervision. Also, it eliminates the exhaustive evaluation in some previous methods, improving efficiency. With the interpretable modeling, the network is light-weighted and promising for better generalization. We evaluate the system on both the simulation data and Aero-Ground Dataset which consists of heterogeneous sensor images and aerial images acquired by satellites or aerial robots. The results show that our method is able to match the heterogeneous sensor measurements, outperforming the comparative traditional phase correlation and other learning-based methods. Code is available at https://github.com/jessychen1016/DPCN .
• Abstract（参考訳）: ローカライゼーションの重要なステップは、現在の観測をマップに合わせることです。 2つのセンサモダリティが著しく異なる場合、マッチングは困難になる。 本稿では,異種センサ計測に適合するエンド・ツー・エンドディープ位相相関ネットワーク(DPCN)を提案する。 DPCNでは、主成分は、ポーズエラーを学習可能な特徴抽出器にバックプロパガンダする、微分可能な相関に基づく推定器である。 また, 従来手法の徹底的な評価を排除し, 効率を向上する。 解釈可能なモデリングにより、ネットワークは軽量化され、より良い一般化が期待できる。 衛星や航空ロボットが取得した異種センサ画像と空中画像からなるシミュレーションデータとAero-Ground Datasetの両方でシステムを評価する。 その結果,本手法は,従来の位相相関法と他の学習ベース法と比較して,不均質なセンサ測定と一致できることがわかった。 コードはhttps://github.com/jessychen1016/DPCNで入手できる。

関連論文リスト

• Multi-channel Time Series Decomposition Network For Generalizable Sensor-Based Activity Recognition [2.024925013349319]
  本稿では,MTSDNet(Multi- Channel Time Series Decomposition Network)を提案する。 トレーニング可能なパラメータ化時間分解により、元の信号を複数の成分と三角関数の組み合わせに分解する。 提案手法の精度と安定性を他の競合戦略と比較して予測する利点を示す。
  論文  参考訳（メタデータ） (2024-03-28T12:54:06Z)
• Graph-Aware Contrasting for Multivariate Time-Series Classification [50.84488941336865]
  既存のコントラスト学習手法は主に、時間的拡張とコントラスト技術による時間的一貫性を達成することに焦点を当てている。 MTSデータ間の空間的整合性を考慮したグラフ認識コントラストを提案する。 提案手法は,様々なMSS分類タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-09-11T02:35:22Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Deep Metric Learning for Unsupervised Remote Sensing Change Detection [60.89777029184023]
  リモートセンシング変化検出(RS-CD)は、マルチテンポラルリモートセンシング画像(MT-RSI)から関連する変化を検出することを目的とする。 既存のRS-CD法の性能は、大規模な注釈付きデータセットのトレーニングによるものである。 本稿では,これらの問題に対処可能なディープメトリック学習に基づく教師なしCD手法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T17:52:45Z)
• HAGCN : Network Decentralization Attention Based Heterogeneity-Aware Spatiotemporal Graph Convolution Network for Traffic Signal Forecasting [0.0]
  交通信号データに固有の異種特性について検討し,センサ間の隠れ関係を様々な方法で学習する。 本稿では,隣接ノードの隠れ状態を集約する分散化注目グラフ畳み込みネットワーク(HAGCN)を提案する。
  論文  参考訳（メタデータ） (2022-09-05T13:45:52Z)
• DPCN++: Differentiable Phase Correlation Network for Versatile Pose Registration [18.60311260250232]
  本稿では,世界規模で収束し,対応のない位相相関解法を提案する。 DCPN++は,2次元鳥眼視画像,3次元物体・シーン計測,医用画像など,入力モードが異なる幅広い登録タスクで評価される。
  論文  参考訳（メタデータ） (2022-06-12T10:00:34Z)
• On Learning the Invisible in Photoacoustic Tomography with Flat Directionally Sensitive Detector [0.27074235008521236]
  本稿では,センサの入射波面方向に対する感度の変化に起因する第2のタイプに着目した。 画像領域とデータ領域における可視範囲は、波面方向マッピングによって関連付けられる。 我々は、高速な近似演算子と調整された深層ニューラルネットワークアーキテクチャを最適に組み合わせて、効率的な学習的再構成手法を提案する。
  論文  参考訳（メタデータ） (2022-04-21T09:57:01Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Towards Improved Human Action Recognition Using Convolutional Neural Networks and Multimodal Fusion of Depth and Inertial Sensor Data [1.52292571922932]
  本稿では,深度と慣性センサデータの融合によるヒューマンアクション認識(HAR)の精度向上を試みる。 我々は、深度データを逐次フロントビューイメージ(SFI)に変換し、これらの画像上でトレーニング済みのAlexNetを微調整する。 慣性データを信号画像(SI)に変換し、これらの画像上で別の畳み込みニューラルネットワーク(CNN)を訓練する。
  論文  参考訳（メタデータ） (2020-08-22T03:41:34Z)
• Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
  本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。 我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。 実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T10:51:32Z)
• Augmented Parallel-Pyramid Net for Attention Guided Pose-Estimation [90.28365183660438]
  本稿では、注意部分モジュールと微分可能な自動データ拡張を備えた拡張並列ピラミドネットを提案する。 我々は、データ拡張のシーケンスをトレーニング可能なCNNコンポーネントとして定式化する新しいポーズ検索空間を定義する。 特に,本手法は,挑戦的なCOCOキーポイントベンチマークとMPIIデータセットの最先端結果において,トップ1の精度を実現する。
  論文  参考訳（メタデータ） (2020-03-17T03:52:17Z)

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。