論文の概要: 3D_DEN: Open-ended 3D Object Recognition using Dynamically Expandable Networks

• arxiv url: http://arxiv.org/abs/2009.07213v2
• Date: Mon, 15 Mar 2021 19:41:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 05:59:20.492013
• Title: 3D_DEN: Open-ended 3D Object Recognition using Dynamically Expandable Networks
• Title（参考訳）: 3d_den:動的拡張ネットワークを用いたオープンエンド3dオブジェクト認識
• Authors: Sudhakaran Jain and Hamidreza Kasaei
• Abstract要約: 本研究では,新しい3Dオブジェクトカテゴリをオープンエンドで学習できるロボットを実現するために,動的アーキテクチャに基づく新しい深層移動学習手法を提案する。 実験結果から,提案手法は精度に優れ,計算オーバーヘッドを大幅に最小化できることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Service robots, in general, have to work independently and adapt to the dynamic changes happening in the environment in real-time. One important aspect in such scenarios is to continually learn to recognize newer object categories when they become available. This combines two main research problems namely continual learning and 3D object recognition. Most of the existing research approaches include the use of deep Convolutional Neural Networks (CNNs) focusing on image datasets. A modified approach might be needed for continually learning 3D object categories. A major concern in using CNNs is the problem of catastrophic forgetting when a model tries to learn a new task. Despite various proposed solutions to mitigate this problem, there still exist some downsides of such solutions, e.g., computational complexity, especially when learning substantial number of tasks. These downsides can pose major problems in robotic scenarios where real-time response plays an essential role. Towards addressing this challenge, we propose a new deep transfer learning approach based on a dynamic architectural method to make robots capable of open-ended learning about new 3D object categories. Furthermore, we make sure that the mentioned downsides are minimized to a great extent. Experimental results showed that the proposed model outperformed state-of-the-art approaches with regards to accuracy and also substantially minimizes computational overhead.
• Abstract（参考訳）: サービスロボットは一般的に、独立して働き、リアルタイムで環境の動的な変化に対応しなければならない。 そのようなシナリオにおける1つの重要な側面は、新しいオブジェクトカテゴリが利用可能になったとき、継続的に認識することである。 これは連続学習と3Dオブジェクト認識という2つの主要な研究課題を組み合わせたものである。 既存の研究アプローチには、画像データセットに重点を置く深層畳み込みニューラルネットワーク(CNN)の使用が含まれる。 3Dオブジェクトカテゴリを継続的に学習するために、修正されたアプローチが必要になるかもしれない。 CNNを使用する際の大きな懸念は、モデルが新しいタスクを学習しようとするときの破滅的な忘れの問題である。 この問題を緩和するための様々な解決策が提案されているが、計算の複雑さ、特に相当数のタスクを学習する場合など、そのようなソリューションの欠点は残っている。 これらの欠点は、リアルタイム応答が重要な役割を果たすロボットシナリオにおいて大きな問題を引き起こす可能性がある。 この課題に取り組むために,ロボットに新しい3dオブジェクトカテゴリを開放的に学習させる動的なアーキテクチャ手法に基づく新しい深層伝達学習手法を提案する。 さらに、上記の欠点が十分に最小化されていることを確認します。 実験の結果,提案手法は精度に優れ,計算オーバーヘッドを大幅に最小化することがわかった。

関連論文リスト

• Learning with Noisy Ground Truth: From 2D Classification to 3D Reconstruction [13.314778587751588]
  本稿では,LNGT LNGTの分析を機械学習タスクの文脈で統一する形式的定義を提案する。 我々は,暗記効果の詳細な分析と今後の研究機会に関する洞察に富んだ議論を行う。
  論文  参考訳（メタデータ） (2024-06-23T02:21:48Z)
• FILP-3D: Enhancing 3D Few-shot Class-incremental Learning with Pre-trained Vision-Language Models [62.663113296987085]
  クラス増分学習(class-incremental learning)は、モデルが限られたデータに基づいて漸進的にトレーニングされている場合、破滅的な忘れの問題を軽減することを目的としている。 冗長特徴除去器(RFE)と空間ノイズ補償器(SNC)の2つの新しいコンポーネントを紹介する。 既存の3次元データセットの不均衡を考慮し、3次元FSCILモデルのより微妙な評価を提供する新しい評価指標を提案する。
  論文  参考訳（メタデータ） (2023-12-28T14:52:07Z)
• Graphical Object-Centric Actor-Critic [55.2480439325792]
  本稿では,アクター批判とモデルに基づくアプローチを組み合わせたオブジェクト中心強化学習アルゴリズムを提案する。 変換器エンコーダを用いてオブジェクト表現とグラフニューラルネットワークを抽出し、環境のダイナミクスを近似する。 本アルゴリズムは,現状のモデルフリーアクター批判アルゴリズムよりも複雑な3次元ロボット環境と構成構造をもつ2次元環境において,より優れた性能を発揮する。
  論文  参考訳（メタデータ） (2023-10-26T06:05:12Z)
• InOR-Net: Incremental 3D Object Recognition Network for Point Cloud Representation [51.121731449575776]
  我々は,新しい3Dオブジェクトのクラスを連続的に認識するインクリメンタル3Dオブジェクト認識ネットワーク(InOR-Net)を開発した。 具体的には、各クラスの特徴的な3次元特性を持つ局所幾何学的構造を推論するために、カテゴリー誘導幾何学的推論を提案する。 そこで我々は,従来の3Dオブジェクトのクラスにおける破滅的な忘れを克服するために,各クラス内のどの3次元幾何学的特徴が有用であるかを識別する,新しい批評家による幾何学的注意機構を提案する。
  論文  参考訳（メタデータ） (2023-02-20T10:30:16Z)
• AdaAfford: Learning to Adapt Manipulation Affordance for 3D Articulated Objects via Few-shot Interactions [13.802675708793014]
  キャビネット、ドア、蛇口などの3D音声による物体の認識と相互作用は、将来のホームアシストロボットに特別な課題をもたらす。 我々はAdaAffordという名の新しいフレームワークを提案し、より正確なインスタンス固有の後付けに手軽さを迅速に適応するために、ごく少数のテスト時間インタラクションを実行することを学習する。
  論文  参考訳（メタデータ） (2021-12-01T03:00:05Z)
• Lifelong 3D Object Recognition and Grasp Synthesis Using Dual Memory Recurrent Self-Organization Networks [0.0]
  人間は、これまで得られた知識を忘れずに、生涯にわたって新しい物体を認識し、操作することを学ぶ。 ほとんどの従来のディープニューラルネットワークでは、破滅的な忘れの問題のため、これは不可能である。 本稿では,物体認識と把握を同時に行うために,デュアルメモリリカレントニューラルネットワークとオートエンコーダを組み合わせたハイブリッドモデルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-09-23T11:14:13Z)
• RandomRooms: Unsupervised Pre-training from Synthetic Shapes and Randomized Layouts for 3D Object Detection [138.2892824662943]
  有望な解決策は、CADオブジェクトモデルで構成される合成データセットをよりよく利用して、実際のデータセットでの学習を促進することである。 最近の3次元事前学習の研究は、合成物体から他の実世界の応用へ学習した伝達特性が失敗することを示している。 本研究では,この目的を達成するためにRandomRoomsという新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-08-17T17:56:12Z)
• Learning without Forgetting for 3D Point Cloud Objects [7.761414660999872]
  新しいクラスに対して、よく訓練されたディープラーニングモデルを微調整すると、ネットワークは新しい概念を学ぶが、古いトレーニングの知識を徐々に忘れていく。 本研究では,3次元データに対する知識蒸留技術について検討し,前回のトレーニングの破滅的な忘れ込みを減らすことを目的とした。 学習中に古い知識と新しい知識の相互関係を調べることは、古い知識を忘れずに新しい概念を学ぶのに役立つ。
  論文  参考訳（メタデータ） (2021-06-27T16:39:39Z)
• Unsupervised Learning of 3D Object Categories from Videos in the Wild [75.09720013151247]
  オブジェクトインスタンスの大規模なコレクションの複数のビューからモデルを学ぶことに重点を置いています。 再構成を大幅に改善するワープコンディショニングレイ埋め込み(WCR)と呼ばれる新しいニューラルネットワーク設計を提案する。 本評価は,既存のベンチマークを用いた複数の深部単眼再構成ベースラインに対する性能改善を示す。
  論文  参考訳（メタデータ） (2021-03-30T17:57:01Z)
• Secrets of 3D Implicit Object Shape Reconstruction in the Wild [92.5554695397653]
  コンピュータビジョン、ロボティクス、グラフィックスの様々な用途において、高精細な3Dオブジェクトをスパースから再構築することは重要です。 最近の神経暗黙的モデリング法は、合成データセットまたは高密度データセットで有望な結果を示す。 しかし、粗末でノイズの多い実世界のデータではパフォーマンスが悪い。 本論文では, 一般的な神経暗黙モデルの性能低下の根本原因を解析する。
  論文  参考訳（メタデータ） (2021-01-18T03:24:48Z)

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。