論文の概要: Sim2SG: Sim-to-Real Scene Graph Generation for Transfer Learning

• arxiv url: http://arxiv.org/abs/2011.14488v1
• Date: Mon, 30 Nov 2020 01:21:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-06 14:50:11.643574
• Title: Sim2SG: Sim-to-Real Scene Graph Generation for Transfer Learning
• Title（参考訳）: Sim2SG:トランスファー学習のためのSim-to-Real Scene Graph生成
• Authors: Aayush Prakash, Shoubhik Debnath, Jean-Francois Lafleche, Eric Cameracci, Gavriel State, Marc T. Law
• Abstract要約: シーングラフ生成のためのSim-to-real転送のためのスケーラブルな手法であるSim2SGを提案する。 Sim2SGは、ドメインギャップを外見、ラベル、予測の相違に分解することで解決する。 本実験は, 領域ギャップを質的に, 定量的に低減する上で, ベースラインよりも大幅に改善したことを示す。
• 参考スコア（独自算出の注目度）: 11.470544832549832
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scene graph (SG) generation has been gaining a lot of traction recently. Current SG generation techniques, however, rely on the availability of expensive and limited number of labeled datasets. Synthetic data offers a viable alternative as labels are essentially free. However, neural network models trained on synthetic data, do not perform well on real data because of the domain gap. To overcome this challenge, we propose Sim2SG, a scalable technique for sim-to-real transfer for scene graph generation. Sim2SG addresses the domain gap by decomposing it into appearance, label and prediction discrepancies between the two domains. We handle these discrepancies by introducing pseudo statistic based self-learning and adversarial techniques. Sim2SG does not require costly supervision from the real-world dataset. Our experiments demonstrate significant improvements over baselines in reducing the domain gap both qualitatively and quantitatively. We validate our approach on toy simulators, as well as realistic simulators evaluated on real-world data.
• Abstract（参考訳）: シーングラフ(SG)生成は最近、多くの注目を集めています。 しかし、現在のSG生成技術は、高価で限られたラベル付きデータセットの可用性に依存している。 ラベルは基本的に無料であるため、合成データは有効な代替手段を提供する。 しかし、合成データに基づいてトレーニングされたニューラルネットワークモデルは、ドメインギャップのため、実際のデータではうまく動作しない。 そこで本研究では,シーングラフ生成のためのSim-to-realトランスファーのスケーラブルな手法であるSim2SGを提案する。 Sim2SGはドメインギャップを2つのドメイン間の相違点、ラベル、予測に分解することで解決する。 擬似統計に基づく自己学習と敵対的手法を導入することで、これらの相違に対処する。 Sim2SGは、現実世界のデータセットからの高価な監視を必要としない。 我々の実験は、質的および定量的にドメイン間ギャップを減らすために、ベースラインよりも大幅な改善を示しています。 本研究では,実世界データから評価した実環境シミュレータとともに,玩具シミュレータのアプローチを検証する。

関連論文リスト

• SplatSim: Zero-Shot Sim2Real Transfer of RGB Manipulation Policies Using Gaussian Splatting [14.349278229567485]
  SplatSimは、RGBベースの操作ポリシーのSim2Realギャップを減らすために、Gaussian Splattingを主要なレンダリングプリミティブとして活用する新しいフレームワークである。 我々は,SplatSim内の操作ポリシーを訓練し,実環境にゼロショットで展開することで,フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2024-09-16T10:52:16Z)
• Exploring Generative AI for Sim2Real in Driving Data Synthesis [6.769182994217369]
  ドライビングシミュレータは、対応するアノテーションで様々なドライビングシナリオを自動的に生成するソリューションを提供するが、シミュレーションとリアリティ(Sim2Real)ドメインギャップは依然として課題である。 本稿では,現実的なデータセット作成のためのブリッジとして,運転シミュレータからのセマンティックラベルマップを活用するために,3つの異なる生成AI手法を適用した。 実験の結果,手動のアノテートラベルが提供されると,GANベースの手法は高品質な画像を生成するには適しているが,ControlNetは,シミュレータ生成ラベルを使用すると,より少ないアーティファクトとより構造的忠実度を持つ合成データセットを生成することがわかった。
  論文  参考訳（メタデータ） (2024-04-14T01:23:19Z)
• Bridging the Sim2Real gap with CARE: Supervised Detection Adaptation with Conditional Alignment and Reweighting [72.75792823726479]
  条件整合と再重み付けによる条件付きドメイン翻訳(CARE)を提案する。 本稿では,提案アルゴリズムの解析的正当性を示し,標準ベンチマーク上での競合手法よりも強い利得を示す。
  論文  参考訳（メタデータ） (2023-02-09T18:39:28Z)
• Sim2real Transfer Learning for Point Cloud Segmentation: An Industrial Application Case on Autonomous Disassembly [55.41644538483948]
  我々は,点クラウドデータにsim2realTransfer Learningを用いた産業アプリケーションケースを提案する。 合成ポイントクラウドデータの生成と処理方法に関する洞察を提供する。 この問題に対処するために、パッチベースの新しいアテンションネットワークも提案されている。
  論文  参考訳（メタデータ） (2023-01-12T14:00:37Z)
• One-Shot Domain Adaptive and Generalizable Semantic Segmentation with Class-Aware Cross-Domain Transformers [96.51828911883456]
  セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。 従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。 実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
  論文  参考訳（メタデータ） (2022-12-14T15:54:15Z)
• Provable Sim-to-real Transfer in Continuous Domain with Partial Observations [39.18274543757048]
  シン・トゥ・リアル・トランスファー(英語版)は、シミュレーション環境でRLエージェントを訓練し、実世界で展開する。 実環境における最適政策と競合するシミュレートされた環境から、人気のある頑健な対人訓練アルゴリズムが、ポリシーを学習できることを示す。
  論文  参考訳（メタデータ） (2022-10-27T16:37:52Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• Robot Learning from Randomized Simulations: A Review [59.992761565399185]
  ディープラーニングがロボティクス研究のパラダイムシフトを引き起こし、大量のデータを必要とする方法が好まれている。 最先端のアプローチは、データ生成が高速かつ安価であるシミュレーションで学ぶ。 本稿では,ランダム化シミュレーションから学習する手法である「領域ランダム化」に焦点をあてる。
  論文  参考訳（メタデータ） (2021-11-01T13:55:41Z)
• Meta-Sim2: Unsupervised Learning of Scene Structure for Synthetic Data Generation [88.04759848307687]
  Meta-Sim2では,パラメータに加えてシーン構造を学習することを目指している。 強化学習(Reinforcement Learning)を使用してモデルをトレーニングし、トレーニング成功の鍵となる合成画像とターゲット画像の間に特徴空間のばらつきを設計する。 また,この手法は,他のベースラインシミュレーション手法と対照的に,生成したデータセット上でトレーニングしたオブジェクト検出器の性能を下流で向上させることを示す。
  論文  参考訳（メタデータ） (2020-08-20T17:28:45Z)

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。