論文の概要: Multi-view Sensor Fusion by Integrating Model-based Estimation and Graph
Learning for Collaborative Object Localization
- arxiv url: http://arxiv.org/abs/2011.07704v2
- Date: Sun, 7 Mar 2021 01:31:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 01:01:05.605412
- Title: Multi-view Sensor Fusion by Integrating Model-based Estimation and Graph
Learning for Collaborative Object Localization
- Title（参考訳）: 協調物体定位のためのモデルベース推定とグラフ学習の統合による多視点センサ融合
- Authors: Peng Gao, Rui Guo, Hongsheng Lu and Hao Zhang
- Abstract要約: 協調的オブジェクトローカライゼーションは、複数の視点や視点から観察されたオブジェクトの位置を協調的に推定することを目的としている。
協調的なローカライゼーションを実現するために,モデルに基づく状態推定と学習に基づくローカライゼーション手法が開発されている。
本稿では,グラフ学習とモデルに基づく推定を統合した新しいグラフフィルタ手法を提案する。
- 参考スコア（独自算出の注目度）: 22.57544305097723
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Collaborative object localization aims to collaboratively estimate locations
of objects observed from multiple views or perspectives, which is a critical
ability for multi-agent systems such as connected vehicles. To enable
collaborative localization, several model-based state estimation and
learning-based localization methods have been developed. Given their
encouraging performance, model-based state estimation often lacks the ability
to model the complex relationships among multiple objects, while learning-based
methods are typically not able to fuse the observations from an arbitrary
number of views and cannot well model uncertainty. In this paper, we introduce
a novel spatiotemporal graph filter approach that integrates graph learning and
model-based estimation to perform multi-view sensor fusion for collaborative
object localization. Our approach models complex object relationships using a
new spatiotemporal graph representation and fuses multi-view observations in a
Bayesian fashion to improve location estimation under uncertainty. We evaluate
our approach in the applications of connected autonomous driving and multiple
pedestrian localization. Experimental results show that our approach
outperforms previous techniques and achieves the state-of-the-art performance
on collaboration localization.
- Abstract（参考訳）: コラボレーティブなオブジェクトローカライゼーションは、複数の視点や視点から観察されたオブジェクトの位置を協調的に推定することを目的としている。
協調的なローカライゼーションを実現するために,複数のモデルに基づく状態推定と学習に基づくローカライゼーション手法を開発した。
モデルに基づく状態推定には、しばしば複数のオブジェクト間の複雑な関係をモデル化する能力が欠けている。
本稿では,グラフ学習とモデルに基づく推定を統合し,協調的物体定位のための多視点センサ融合を行う,時空間グラフフィルタ手法を提案する。
提案手法は,新しい時空間グラフ表現を用いて複雑なオブジェクト関係をモデル化し,不確実性の下での位置推定を改善するためにベイズ方式で多視点観測を融合する。
我々は、コネクテッド・自律運転と複数の歩行者位置決めの応用におけるアプローチを評価する。
実験の結果,提案手法は従来の手法よりも優れており,コラボレーションのローカライゼーションにおける最先端のパフォーマンスを達成していることがわかった。
関連論文リスト
- Zero-Shot Object-Centric Representation Learning [72.43369950684057]
ゼロショット一般化のレンズによる現在の対象中心法について検討する。
8つの異なる合成および実世界のデータセットからなるベンチマークを導入する。
多様な実世界の画像のトレーニングにより、見えないシナリオへの転送性が向上することがわかった。
論文 参考訳（メタデータ） (2024-08-17T10:37:07Z) - Corpus Considerations for Annotator Modeling and Scaling [9.263562546969695]
一般的に使われているユーザトークンモデルは、より複雑なモデルよりも一貫して優れています。
以上の結果から,コーパス統計とアノテータモデリング性能の関係が明らかになった。
論文 参考訳（メタデータ） (2024-04-02T22:27:24Z) - FoundationPose: Unified 6D Pose Estimation and Tracking of Novel Objects [55.77542145604758]
FoundationPoseは、6Dオブジェクトのポーズ推定と追跡のための統合基盤モデルである。
我々のアプローチは、微調整なしで、テスト時に新しいオブジェクトに即座に適用できる。
論文 参考訳（メタデータ） (2023-12-13T18:28:09Z) - Reconstructing Spatiotemporal Data with C-VAEs [49.1574468325115]
移動領域の条件付き連続表現は一般的に用いられる。
本研究では,条件変数自動エンコーダ(C-VAE)モデルを用いて,領域の進化を現実的に表現する機能について検討する。
論文 参考訳（メタデータ） (2023-07-12T15:34:10Z) - GenPose: Generative Category-level Object Pose Estimation via Diffusion
Models [5.1998359768382905]
カテゴリーレベルのオブジェクトポーズ推定を条件付き生成モデルとして再検討することで,新しい解を提案する。
提案手法は,厳密な5d2cmおよび5d5cmの計測値に対して50%と60%を越え,REAL275データセットの最先端性能を実現する。
論文 参考訳（メタデータ） (2023-06-18T11:45:42Z) - Structured Cooperative Learning with Graphical Model Priors [98.53322192624594]
ローカルデータに制限のある分散デバイス上で、さまざまなタスクに対してパーソナライズされたモデルをトレーニングする方法を研究する。
本稿では,デバイス間の協調グラフをグラフィカルモデルにより生成する「構造化協調学習(SCooL)」を提案する。
SCooLを評価し,既存の分散学習手法と比較した。
論文 参考訳（メタデータ） (2023-06-16T02:41:31Z) - Federated Learning of Models Pre-Trained on Different Features with
Consensus Graphs [19.130197923214123]
プライベートデータセットと分散データセットで効果的なグローバルモデルを学ぶことは、機械学習においてますます重要な課題になりつつある。
本稿では,局所モデルから局所表現を抽出し,それらをグローバル表現に組み込んで予測性能を向上させる特徴融合手法を提案する。
本稿では,これらの問題に対する解決策を提示し,電力網や交通網などの時系列データを用いた実世界の応用例を示す。
論文 参考訳（メタデータ） (2023-06-02T02:24:27Z) - Graph state-space models [19.88814714919019]
状態空間モデルは、時系列を記述し、予測されるシステム状態の更新された表現を維持することで操作する。
この原稿は、このギャップを初めて埋めることを目的としており、遅延依存をキャプチャする関数グラフがデータから直接学習され、時間とともに変更が許される、意図しない状態データとマッチングする。
ダウンストリームタスクで状態空間モデルのエンドツーエンドを学習するために,エンコーダ・デコーダアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-01-04T18:15:07Z) - Generalization Properties of Retrieval-based Models [50.35325326050263]
検索ベースの機械学習手法は、幅広い問題で成功をおさめた。
これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。
本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
論文 参考訳（メタデータ） (2022-10-06T00:33:01Z) - Asynchronous Collaborative Localization by Integrating Spatiotemporal
Graph Learning with Model-Based Estimation [22.63837164001751]
協調的な位置決めは、コネクテッドカーのようなロボットチームにとって、協調的に物体の位置を推定する重要な能力である。
協調的なローカライゼーションを実現するためには,観測対象間の複雑な関係をモデル化するなど,4つの課題に対処する必要がある。
本研究では,不確実性を考慮したグラフ学習モデルと状態推定を統合した新しい手法を提案する。
論文 参考訳（メタデータ） (2021-11-05T22:48:13Z) - Multi-Agent Imitation Learning with Copulas [102.27052968901894]
マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。
本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。
提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
論文 参考訳（メタデータ） (2021-07-10T03:49:41Z)
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。