論文の概要: CLIPPER: A Graph-Theoretic Framework for Robust Data Association

• arxiv url: http://arxiv.org/abs/2011.10202v2
• Date: Fri, 9 Apr 2021 12:57:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 06:26:30.895155
• Title: CLIPPER: A Graph-Theoretic Framework for Robust Data Association
• Title（参考訳）: CLIPPER:ロバストデータアソシエーションのためのグラフ理論フレームワーク
• Authors: Parker C. Lusk, Kaveh Fathian, Jonathan P. How
• Abstract要約: CLIPPER(CLIPPER)は,ノイズや外れ値の存在下でのロバストなデータアソシエーションのためのフレームワークである。 実験によると、CLIPPERは15ミリ秒のランタイムを一貫して維持しており、正確なメソッドはピーク時に最大24回の上昇を必要とする。 ノイズの多いポイントクラウドの登録問題を評価すると、CLIPPERは100%の精度と98%のリコールを達成する。
• 参考スコア（独自算出の注目度）: 45.00178262932004
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present CLIPPER (Consistent LInking, Pruning, and Pairwise Error Rectification), a framework for robust data association in the presence of noise and outliers. We formulate the problem in a graph-theoretic framework using the notion of geometric consistency. State-of-the-art techniques that use this framework utilize either combinatorial optimization techniques that do not scale well to large-sized problems, or use heuristic approximations that yield low accuracy in high-noise, high-outlier regimes. In contrast, CLIPPER uses a relaxation of the combinatorial problem and returns solutions that are guaranteed to correspond to the optima of the original problem. Low time complexity is achieved with an efficient projected gradient ascent approach. Experiments indicate that CLIPPER maintains a consistently low runtime of 15 ms where exact methods can require up to 24 s at their peak, even on small-sized problems with 200 associations. When evaluated on noisy point cloud registration problems, CLIPPER achieves 100% precision and 98% recall in 90% outlier regimes while competing algorithms begin degrading by 70% outliers. In an instance of associating noisy points of the Stanford Bunny with 990 outlier associations and only 10 inlier associations, CLIPPER successfully returns 8 inlier associations with 100% precision in 138 ms. Code is available at https://mit-acl.github.io/clipper.
• Abstract（参考訳）: CLIPPER(Consistent Linking,Pruning,Pairwise Error Rectification)は,ノイズや外れ値の存在下でのロバストなデータ関連のためのフレームワークである。 幾何学的整合性の概念を用いてグラフ理論の枠組みで問題を定式化する。 このフレームワークを使用する最先端技術は、大規模な問題にうまく対応できない組合せ最適化技術を利用するか、高ノイズで高出力のシステムにおいて低い精度をもたらすヒューリスティック近似を使用する。 対照的に、CLIPPERは組合せ問題の緩和を使い、元の問題の最適値に対応することが保証された解を返す。 低時間複雑性は、効率的な投影勾配上昇アプローチによって達成される。 実験の結果、CLIPPERは最大で最大24秒の正確なメソッドを必要とする15ミリ秒のランタイムを一貫して維持している。 ノイズの多いポイントクラウドの登録問題を評価すると、CLIPPERは100%の精度と98%のリコールを90%のアウトレージレシブで達成し、競合するアルゴリズムは70%のアウトレージで劣化し始める。 スタンフォード・バニー(Stanford Bunny)のノイズポイントと990のアウトリー・アソシエーションと10のイリヤ・アソシエーションを関連付ける場合、CLIPPERは138msで100%精度で8つのイリヤ・アソシエーションを返却することに成功した。

関連論文リスト

• Iterative Reasoning Preference Optimization [84.15992372132507]
  生成したChain-of-Thought(CoT)候補間の嗜好を最適化するための反復的アプローチを開発する。 このスキームの繰り返し繰り返しにおける推論の改善を示す。 例えば、GSM8Kは55.6%から81.6%に大きく改善され、精度は88.7%となり、32のサンプルのうち多数が投票した。
  論文  参考訳（メタデータ） (2024-04-30T17:28:05Z)
• CLIPPER: Robust Data Association without an Initial Guess [38.56736000339334]
  初期推定を必要としないデータアソシエーションのためのグラフ理論の定式化について検討する。 既存のグラフ理論アプローチは、未重み付きグラフを最適化し、重み付きエッジに符号化された重要な一貫性情報を破棄し、NPハード問題を正確に解こうとする。 この問題に対して2つの緩和法を導入する: 凸半有限緩和法は経験的に厳密であることが判明し、CLIPPERと呼ばれる高速な1次アルゴリズムはミリ秒でほぼ最適解に到達する。
  論文  参考訳（メタデータ） (2024-02-11T19:16:01Z)
• Integral Continual Learning Along the Tangent Vector Field of Tasks [112.02761912526734]
  本稿では,特殊データセットからの情報を段階的に組み込んだ軽量連続学習手法を提案する。 ソースデータセットの0.4%まで小さく、小さな固定サイズのメモリバッファを保持しており、単純な再サンプリングによって更新される。 提案手法は,異なるデータセットに対して,様々なバッファサイズで高い性能を実現する。
  論文  参考訳（メタデータ） (2022-11-23T16:49:26Z)
• Optimal Algorithms for Stochastic Complementary Composite Minimization [55.26935605535377]
  統計学と機械学習における正規化技術に触発され,補完的な複合化の最小化について検討した。 予測と高い確率で、新しい過剰なリスク境界を提供する。 我々のアルゴリズムはほぼ最適であり、このクラスの問題に対して、新しいより低い複雑性境界によって証明する。
  論文  参考訳（メタデータ） (2022-11-03T12:40:24Z)
• Support Vector Machines with the Hard-Margin Loss: Optimal Training via Combinatorial Benders' Cuts [8.281391209717105]
  我々は、グローバルな最適性のために、ハードマージンのSVMモデルをトレーニングする方法を示す。 本稿では,この問題を解くための反復サンプリングと部分分解アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-15T18:21:51Z)
• Fast and Robust Non-Rigid Registration Using Accelerated Majorization-Minimization [35.66014845211251]
  非剛性登録は、ターゲット形状と整合する非剛性な方法でソース形状を変形させるが、コンピュータビジョンにおける古典的な問題である。 既存のメソッドは通常$ell_p$型ロバストノルムを使用してアライメントエラーを測定し、変形の滑らかさを規則化する。 本稿では、アライメントと正規化のためのグローバルなスムーズなロバストノルムに基づく、ロバストな非剛体登録のための定式化を提案する。
  論文  参考訳（メタデータ） (2022-06-07T16:00:33Z)
• STORM+: Fully Adaptive SGD with Momentum for Nonconvex Optimization [74.1615979057429]
  本研究では,スムーズな損失関数に対する期待値である非バッチ最適化問題について検討する。 我々の研究は、学習率と運動量パラメータを適応的に設定する新しいアプローチとともに、STORMアルゴリズムの上に構築されている。
  論文  参考訳（メタデータ） (2021-11-01T15:43:36Z)
• Efficient Large Scale Inlier Voting for Geometric Vision Problems [3.1231364554255636]
  コンピュータビジョンにおける多くの応用において、アウター・リジェクション(英語版)と等価に不整集合最適化(英語版)が重要な要素である。 我々は、$Rd$の「交差」$k$次元曲面に基づいて、外周拒絶に対する効率的で一般的なアルゴリズムを提案する。 本手法は, 複数枚のカメラにおいて, 多数の一致が低い不整合比で発生する問題に対するアプローチの汎用性を示す。
  論文  参考訳（メタデータ） (2021-07-25T14:13:07Z)
• Solving weakly supervised regression problem using low-rank manifold regularization [77.34726150561087]
  我々は弱い教師付き回帰問題を解く。 weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。 数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
  論文  参考訳（メタデータ） (2021-04-13T23:21:01Z)
• Quasi-Newton Solver for Robust Non-Rigid Registration [35.66014845211251]
  データフィッティングと正規化のための大域的スムーズなロバスト推定器に基づくロバストな非剛性登録のための定式化を提案する。 本稿では,L-BFGS を用いた最小二乗問題の解法に,各繰り返しを減らし,最大化最小化アルゴリズムを適用した。
  論文  参考訳（メタデータ） (2020-04-09T01:45:05Z)

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。