論文の概要: A Hybrid Learner for Simultaneous Localization and Mapping
- arxiv url: http://arxiv.org/abs/2101.01158v1
- Date: Mon, 4 Jan 2021 18:41:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-12 01:46:04.346002
- Title: A Hybrid Learner for Simultaneous Localization and Mapping
- Title(参考訳): 同時ローカライズとマッピングのためのハイブリッド学習器
- Authors: Thangarajah Akilan and Edna Johnson and Japneet Sandhu and Ritika
Chadha and Gaurav Taluja
- Abstract要約: 同時ローカライゼーション・マッピング(slam)は、移動プラットフォームの動的運動経路を予測するために用いられる。
本研究は,機能融合を超えたハイブリッド学習モデルを提案する。
それは異なった深いネットワークの上の層の突然変異によってSLAMのフロントエンドの特徴の抽出器の重量の増強を遂行します。
独立に訓練されたモデルからの軌道予測は、位置の詳細を洗練するために集約される。
- 参考スコア(独自算出の注目度): 2.1041384320978267
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Simultaneous localization and mapping (SLAM) is used to predict the dynamic
motion path of a moving platform based on the location coordinates and the
precise mapping of the physical environment. SLAM has great potential in
augmented reality (AR), autonomous vehicles, viz. self-driving cars, drones,
Autonomous navigation robots (ANR). This work introduces a hybrid learning
model that explores beyond feature fusion and conducts a multimodal weight
sewing strategy towards improving the performance of a baseline SLAM algorithm.
It carries out weight enhancement of the front end feature extractor of the
SLAM via mutation of different deep networks' top layers. At the same time, the
trajectory predictions from independently trained models are amalgamated to
refine the location detail. Thus, the integration of the aforesaid early and
late fusion techniques under a hybrid learning framework minimizes the
translation and rotation errors of the SLAM model. This study exploits some
well-known deep learning (DL) architectures, including ResNet18, ResNet34,
ResNet50, ResNet101, VGG16, VGG19, and AlexNet for experimental analysis. An
extensive experimental analysis proves that hybrid learner (HL) achieves
significantly better results than the unimodal approaches and multimodal
approaches with early or late fusion strategies. Hence, it is found that the
Apolloscape dataset taken in this work has never been used in the literature
under SLAM with fusion techniques, which makes this work unique and insightful.
- Abstract(参考訳): 同時ローカライゼーション・マッピング(slam)は、位置座標と物理環境の正確なマッピングに基づいて、移動プラットフォームの動的運動経路を予測するために用いられる。
SLAMは拡張現実(AR)、自動運転車、Vizに大きな可能性を秘めている。
自動運転車、ドローン、自律ナビゲーションロボット(ANR)。
本研究は,特徴融合を超越したハイブリッド学習モデルを導入し,ベースラインSLAMアルゴリズムの性能向上に向けたマルチモーダルウェイトミシン戦略を実行する。
SLAMのフロントエンド特徴抽出器の重量増強は、異なるディープネットワークのトップ層の突然変異によって行われる。
同時に、独立に訓練されたモデルからの軌道予測は、位置の詳細を洗練するために集約される。
このように,ハイブリッド学習フレームワークによる早期・後期融合技術の統合により,SLAMモデルの翻訳・回転誤差を最小化する。
本研究では,resnet18,resnet34,resnet50,resnet101,vgg16,vgg19,alexnetなど,著名なディープラーニング(dl)アーキテクチャを実験的解析に活用する。
複合学習者(HL)は, 早期・後期の融合戦略を用いた一助的アプローチやマルチモーダルアプローチよりも有意に優れた結果が得られることを示す。
したがって、この研究で得られたアポロスケープのデータセットは、SLAMの論文に融合技術で使われていないため、この研究はユニークで洞察力に富んでいる。
関連論文リスト
- Staged Depthwise Correlation and Feature Fusion for Siamese Object
Tracking [0.6827423171182154]
視覚的トラッキングのための特徴抽出をさらに最適化するために,DCFFNet という新たな段階的深度相関と特徴融合ネットワークを提案する。
シアムネットワークアーキテクチャに基づいてディープトラッカーを構築しており、複数の大規模データセットでゼロからトレーニングされたオフラインです。
OTB100,VOT2018,LaSOTなど,一般的なベンチマークにトラッカーを実装した。
論文 参考訳(メタデータ) (2023-10-15T06:04:42Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳(メタデータ) (2023-05-01T23:20:27Z) - Automated Federated Learning in Mobile Edge Networks -- Fast Adaptation
and Convergence [83.58839320635956]
フェデレートラーニング(FL)は、モバイルエッジネットワークで機械学習モデルを分散的にトレーニングするために使用することができる。
最近のFLは、モデルに依存しないメタラーニング(MAML)フレームワークで解釈されている。
本稿は,MAMLがFLにもたらすメリットと,モバイルエッジネットワーク上でのメリットの最大化について論じる。
論文 参考訳(メタデータ) (2023-03-23T02:42:10Z) - Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。
ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。
ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文 参考訳(メタデータ) (2022-04-09T22:07:34Z) - Parallel Successive Learning for Dynamic Distributed Model Training over
Heterogeneous Wireless Networks [50.68446003616802]
フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。
我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。
我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
論文 参考訳(メタデータ) (2022-02-07T05:11:01Z) - Spatial-Temporal Map Vehicle Trajectory Detection Using Dynamic Mode
Decomposition and Res-UNet+ Neural Networks [0.0]
本稿では,高角交通カメラから車両軌跡を抽出する,機械学習による縦走査法を提案する。
空間時間マップ(STMap)をスパースフォアグラウンドおよびローランク背景に分解することにより,車両ストランドの抽出に動的モード分解(DMD)法を適用した。
Res-UNet+という名前のディープニューラルネットワークは、2つの一般的なディープラーニングアーキテクチャを適用することでセマンティックセグメンテーションタスクのために設計された。
論文 参考訳(メタデータ) (2022-01-13T00:49:24Z) - Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust
Road Extraction [110.61383502442598]
我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。
CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。
実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
論文 参考訳(メタデータ) (2021-11-30T04:30:10Z) - A Hybrid Sparse-Dense Monocular SLAM System for Autonomous Driving [0.5735035463793008]
本研究では,移動車に装着した単眼カメラを用いて,屋外環境の幾何学的形状の高密度な3次元モデルを再構成する。
本システムでは,最先端のスパース特徴と高密度融合型視覚SLAMアルゴリズムを組み合わせたハイブリッドマッピングアーキテクチャを用いて深度予測を行う。
論文 参考訳(メタデータ) (2021-08-17T16:13:01Z) - Distributed Dynamic Map Fusion via Federated Learning for Intelligent
Networked Vehicles [9.748996198083425]
本稿では,高い地図品質を実現するために,連合学習に基づく動的地図融合フレームワークを提案する。
提案されたフレームワークはcarla(carla)シミュレーションプラットフォームに実装されている。
論文 参考訳(メタデータ) (2021-03-05T16:28:46Z) - Attention-SLAM: A Visual Monocular SLAM Learning from Human Gaze [19.99938539199779]
本稿では,新しいSLAMアプローチ,すなわちAttention-SLAMを提案する。
SalNavNet(ビジュアル・サリエンシ・モデル)と従来のモノラル・ビジュアル・SLAMを組み合わせている。
Attention-SLAMは、DSO(Direct Sparse Odometry)、ORB-SLAM(ORB-SLAM)、Salient DSO(Salient DSO)などのベンチマークよりも優れていた。
論文 参考訳(メタデータ) (2020-09-15T06:59:12Z) - A Generative Learning Approach for Spatio-temporal Modeling in Connected
Vehicular Network [55.852401381113786]
本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。
LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。
特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
論文 参考訳(メタデータ) (2020-03-16T03:43:59Z)
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。