Fugu-MT 論文翻訳(概要): Model Optimization for Deep Space Exploration via Simulators and Deep Learning

論文の概要: Model Optimization for Deep Space Exploration via Simulators and Deep Learning

arxiv url: http://arxiv.org/abs/2012.14092v1
Date: Mon, 28 Dec 2020 04:36:09 GMT
ステータス: 処理完了
システム内更新日: 2021-04-19 10:57:31.087816
Title: Model Optimization for Deep Space Exploration via Simulators and Deep Learning
Title（参考訳）: シミュレータとディープラーニングによる深部宇宙探査のためのモデル最適化
Authors: James Bird, Kellan Colburn, Linda Petzold, Philip Lubin
Abstract要約: ニューラルネットワークを用いた深層学習の応用を探索し、天体の検出を自動化します。画像を取得して分析し、重要なものを返送する能力は、帯域制限のあるアプリケーションでは重要です。複数のモデルアーキテクチャにおいて、比較的小さなトレーニングセットであっても、達成された最大精度が98%以上に達することが示される。
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: Machine learning, and eventually true artificial intelligence techniques, are extremely important advancements in astrophysics and astronomy. We explore the application of deep learning using neural networks in order to automate the detection of astronomical bodies for future exploration missions, such as missions to search for signatures or suitability of life. The ability to acquire images, analyze them, and send back those that are important, as determined by the deep learning algorithm, is critical in bandwidth-limited applications. Our previous foundational work solidified the concept of using simulator images and deep learning in order to detect planets. Optimization of this process is of vital importance, as even a small loss in accuracy might be the difference between capturing and completely missing a possibly-habitable nearby planet. Through computer vision, deep learning, and simulators, we introduce methods that optimize the detection of exoplanets. We show that maximum achieved accuracy can hit above 98% for multiple model architectures, even with a relatively small training set.
Abstract（参考訳）: 機械学習、そして最終的には真の人工知能技術は、天体物理学と天文学において極めて重要な進歩である。ニューラルネットワークを用いた深層学習の応用を探求し、将来の探査ミッションにおける天体の自動検出、例えば、生命の署名や適合性を探究するミッション等について検討する。画像を取得し、分析し、重要なものを送信する能力は、ディープラーニングアルゴリズムによって決定されるように、帯域制限されたアプリケーションにおいて重要である。これまでの基礎研究により、シミュレーション画像と深層学習を用いて惑星を検出するという概念が固まった。このプロセスの最適化は、わずかな精度の損失でさえ、居住可能な惑星の捕獲と完全に欠落の違いである可能性があるため、極めて重要である。コンピュータビジョン,深層学習,シミュレータを用いて,外惑星の検出を最適化する手法を提案する。複数のモデルアーキテクチャにおいて、比較的小さなトレーニングセットであっても、達成された最大精度が98%以上に達することを示す。

関連論文リスト

Reward Finetuning for Faster and More Accurate Unsupervised Object Discovery [64.41455104593304]
Reinforcement Learning from Human Feedback (RLHF)は、機械学習モデルを改善し、それを人間の好みに合わせる。本稿では,RL法と類似した手法を非教師対象発見に適用することを提案する。私たちは、我々のアプローチがより正確であるだけでなく、訓練よりも桁違いに高速であることを示した。
論文参考訳（メタデータ） (2023-10-29T17:03:12Z)
Comparing Active Learning Performance Driven by Gaussian Processes or Bayesian Neural Networks for Constrained Trajectory Exploration [0.0]
現在、人間は科学的な目的を達成するためにロボットを駆動しているが、ロボットの位置によっては、情報交換と駆動コマンドがミッション遂行に不適切な遅延を引き起こす可能性がある。科学的目的と探索戦略で符号化された自律ロボットは、通信遅延を発生させず、ミッションをより迅速に達成することができる。能動学習アルゴリズムは知的探索の能力を提供するが、その基盤となるモデル構造は、環境の理解を正確に形成する際に、能動学習アルゴリズムの性能を変化させる。
論文参考訳（メタデータ） (2023-09-28T02:45:14Z)
Navigating to Objects in the Real World [76.1517654037993]
本稿では,古典的,モジュール的,エンド・ツー・エンドの学習手法と比較した,意味的視覚ナビゲーション手法に関する大規模な実証的研究について述べる。モジュラー学習は実世界ではうまく機能し、90%の成功率に達しています。対照的に、エンド・ツー・エンドの学習は、シミュレーションと現実の間の画像領域の差が大きいため、77%のシミュレーションから23%の実際の成功率へと低下する。
論文参考訳（メタデータ） (2022-12-02T01:10:47Z)
DiffSkill: Skill Abstraction from Differentiable Physics for Deformable Object Manipulations with Tools [96.38972082580294]
DiffSkillは、変形可能なオブジェクト操作タスクを解決するために、スキル抽象化に微分可能な物理シミュレータを使用する新しいフレームワークである。特に、勾配に基づくシミュレーターから個々のツールを用いて、まず短距離のスキルを得る。次に、RGBD画像を入力として取り込む実演軌跡から、ニューラルネットワークの抽象体を学習する。
論文参考訳（メタデータ） (2022-03-31T17:59:38Z)
A Spacecraft Dataset for Detection, Segmentation and Parts Recognition [42.27081423489484]
本稿では,宇宙船検出,インスタンスのセグメンテーション,部分認識のためのデータセットをリリースする。この研究の主な貢献は、宇宙ステーションと衛星の画像を用いたデータセットの開発である。また、データセットのベンチマークとして、オブジェクト検出やインスタンスセグメンテーションにおける最先端の手法による評価も提供する。
論文参考訳（メタデータ） (2021-06-15T14:36:56Z)
Actionable Models: Unsupervised Offline Reinforcement Learning of Robotic Skills [93.12417203541948]
与えられたデータセットの任意の目標状態に到達するために学習することによって、環境の機能的な理解を学ぶ目的を提案する。提案手法は,高次元カメラ画像上で動作し,これまで見つからなかったシーンやオブジェクトに一般化した実ロボットの様々なスキルを学習することができる。
論文参考訳（メタデータ） (2021-04-15T20:10:11Z)
Task-relevant Representation Learning for Networked Robotic Perception [74.0215744125845]
本稿では,事前学習されたロボット知覚モデルの最終的な目的と協調して設計された感覚データのタスク関連表現を学習するアルゴリズムを提案する。本アルゴリズムは,ロボットの知覚データを競合する手法の最大11倍まで積極的に圧縮する。
論文参考訳（メタデータ） (2020-11-06T07:39:08Z)
Detection of asteroid trails in Hubble Space Telescope images using Deep Learning [0.0]
本稿では,ハッブル宇宙望遠鏡で撮影した単一露光写真における小惑星軌道の画像認識へのDeep Learningの適用について述べる。多層深層畳み込みニューラルネットワークに基づくアルゴリズムを用いて、検証セット上で80%以上の精度を報告する。
論文参考訳（メタデータ） (2020-10-29T09:03:18Z)
Low Dimensional State Representation Learning with Reward-shaped Priors [7.211095654886105]
本研究では,観測結果から低次元状態空間への写像の学習を目的とした手法を提案する。このマッピングは、環境とタスクの事前知識を組み込むために形作られた損失関数を用いて教師なしの学習で学習される。本手法は,シミュレーション環境における移動ロボットナビゲーションタスクおよび実ロボット上でのテストを行う。
論文参考訳（メタデータ） (2020-07-29T13:00:39Z)
Learning Depth With Very Sparse Supervision [57.911425589947314]
本稿では, 環境との相互作用を通じて, 知覚が世界の3次元特性と結合するという考えを考察する。我々は、環境と対話するロボットが利用できるような、特殊なグローバルローカルネットワークアーキテクチャを訓練する。いくつかのデータセットの実験では、画像ピクセルの1つでも基底真理が利用できる場合、提案されたネットワークは、最先端のアプローチよりも22.5%の精度でモノクロの深度推定を学習できることを示している。
論文参考訳（メタデータ） (2020-03-02T10:44:13Z)
Advances in Deep Space Exploration via Simulators & Deep Learning [2.294014185517203]
StarLightプログラムは、小さなウェハ衛星(ウェハサット)による恒星間高速移動を概念化するこれらのウェハ衛星の主な目標は、深宇宙旅行で有用な画像を集めることである。機器が故障し、データレートが遅いため、人間にとって最も重要な画像がデータ転送に優先されるものであることを保証する方法が必要である。これら3つの問題を解決するために,人工知能を主にコンピュータビジョンの形で活用するシミュレーターベースの手法を導入する。
論文参考訳（メタデータ） (2020-02-10T19:07:54Z)

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。