論文の概要: Learning to Localize Through Compressed Binary Maps
- arxiv url: http://arxiv.org/abs/2012.10942v1
- Date: Sun, 20 Dec 2020 14:47:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-01 04:44:57.190300
- Title: Learning to Localize Through Compressed Binary Maps
- Title(参考訳): 圧縮バイナリマップによる局所化の学習
- Authors: Xinkai Wei, Ioan Andrei B\^arsan, Shenlong Wang, Julieta Martinez,
Raquel Urtasun
- Abstract要約: 私たちは、地図表現をローカリゼーションタスクに最適なように圧縮することを学びます。
本実験により,汎用コーデック上での2桁のストレージ要求を削減できるタスク固有圧縮を学習できることが示唆された。
- 参考スコア(独自算出の注目度): 83.03367511221437
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the main difficulties of scaling current localization systems to large
environments is the on-board storage required for the maps. In this paper we
propose to learn to compress the map representation such that it is optimal for
the localization task. As a consequence, higher compression rates can be
achieved without loss of localization accuracy when compared to standard coding
schemes that optimize for reconstruction, thus ignoring the end task. Our
experiments show that it is possible to learn a task-specific compression which
reduces storage requirements by two orders of magnitude over general-purpose
codecs such as WebP without sacrificing performance.
- Abstract(参考訳): 現在のローカライゼーションシステムを大規模環境にスケールする上で大きな課題の1つは、マップに必要なオンボードストレージである。
本稿では,局所化タスクに最適であるように地図表現を圧縮する学習法を提案する。
その結果、再構成を最適化する標準的な符号化方式と比較して、ローカライズ精度を損なうことなく高い圧縮率を達成することができる。
本研究では,webpなどの汎用コーデックに対して,性能を犠牲にすることなく,ストレージ要求を2桁削減するタスク固有圧縮を学習できることを実証する。
関連論文リスト
- MISC: Ultra-low Bitrate Image Semantic Compression Driven by Large
Multimodal Model [81.35367970135778]
本稿では,マルチモーダル画像セマンティック圧縮法を提案する。
画像の意味情報を抽出するLMMエンコーダと、その意味に対応する領域を特定するマップエンコーダと、非常に圧縮されたビットストリームを生成する画像エンコーダと、前記情報に基づいて画像を再構成するデコーダとからなる。
知覚50%を節約しながら最適な一貫性と知覚結果を達成することができ、これは次世代のストレージと通信において強力な可能性を持つ。
論文 参考訳(メタデータ) (2024-02-26T17:11:11Z) - Efficient Map Sparsification Based on 2D and 3D Discretized Grids [47.22997560184043]
マップが大きくなると、より多くのメモリが必要になり、ローカライゼーションが非効率になる。
以前の地図スペーシフィケーション法は、選択されたランドマークの均一分布を強制するために混合整数計画において二次項を追加する。
本稿では,効率的な線形形式で地図スペーシフィケーションを定式化し,2次元離散格子に基づく一様分布ランドマークを選択する。
論文 参考訳(メタデータ) (2023-03-20T05:49:14Z) - NeuMap: Neural Coordinate Mapping by Auto-Transdecoder for Camera
Localization [60.73541222862195]
NeuMapは、カメラのローカライゼーションのためのエンドツーエンドのニューラルマッピング手法である。
シーン全体を遅延コードグリッドにエンコードし、Transformerベースのオートデコーダがクエリピクセルの3D座標を回帰する。
論文 参考訳(メタデータ) (2022-11-21T04:46:22Z) - Neural Network Assisted Depth Map Packing for Compression Using Standard
Hardware Video Codecs [0.38073142980732994]
本稿では,ニューラルネットワークモデルによって支援された可変精度パッキング手法を提案する。
モデルが最適な予測に近づき、非常に低いオーバーヘッドでゲームエンジンに統合できることを実証する。
論文 参考訳(メタデータ) (2022-06-30T10:46:05Z) - Unpaired Image Super-Resolution with Optimal Transport Maps [128.1189695209663]
実世界の画像超解像(SR)タスクは、しばしば、教師付き技術の適用を制限するペアデータセットを持っていない。
本稿では,非バイアスのOTマップを知覚輸送コストで学習する未ペアSRのアルゴリズムを提案する。
我々のアルゴリズムは、大規模無人AIM-19データセット上で、最先端のパフォーマンスをほぼ提供する。
論文 参考訳(メタデータ) (2022-02-02T16:21:20Z) - End-to-end lossless compression of high precision depth maps guided by
pseudo-residual [6.213322670014608]
高精度深度マップの圧縮率を向上した新しい圧縮法を検討することが急務である。
本稿では,高精度深度マップのためのエンドツーエンド学習に基づくロスレス圧縮手法を提案する。
論文 参考訳(メタデータ) (2022-01-10T07:19:02Z) - DeepFGS: Fine-Grained Scalable Coding for Learned Image Compression [22.933872281183497]
最初に学習したきめ細かなスケーラブルな画像圧縮モデル(DeepFGS)を提案する。
本稿では,特徴分離バックボーンを導入し,画像情報を基本的かつスケーラブルな特徴に分割し,情報再構成戦略を通じて特徴チャネルを再分割する。
実験により,私たちのDeepFGSはPSNRおよびMS-SSIMメトリクスにおいて,学習ベースでスケーラブルな画像圧縮モデルや従来型のスケーラブルな画像コーデックよりも優れていることが示された。
論文 参考訳(メタデータ) (2022-01-04T15:03:13Z) - Variable-Rate Deep Image Compression through Spatially-Adaptive Feature
Transform [58.60004238261117]
空間特徴変換(SFT arXiv:1804.02815)に基づく多目的深部画像圧縮ネットワークを提案する。
本モデルは,任意の画素単位の品質マップによって制御される単一モデルを用いて,幅広い圧縮速度をカバーしている。
提案するフレームワークにより,様々なタスクに対してタスク対応の画像圧縮を行うことができる。
論文 参考訳(メタデータ) (2021-08-21T17:30:06Z) - Neural Network Compression Via Sparse Optimization [23.184290795230897]
スパース最適化の最近の進歩に基づくモデル圧縮フレームワークを提案する。
我々は、CIFAR10のVGG16とImageNetのResNet50で、同じレベルの精度で、最大7.2倍と2.9倍のFLOPを削減できる。
論文 参考訳(メタデータ) (2020-11-10T03:03:55Z)
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。