Fugu-MT 論文翻訳(概要): Hyperdimensional computing as a framework for systematic aggregation of image descriptors

論文の概要: Hyperdimensional computing as a framework for systematic aggregation of image descriptors

arxiv url: http://arxiv.org/abs/2101.07720v1
Date: Tue, 19 Jan 2021 16:49:58 GMT
ステータス: 処理完了
システム内更新日: 2021-03-22 11:13:18.770869
Title: Hyperdimensional computing as a framework for systematic aggregation of image descriptors
Title（参考訳）: 画像記述子の体系的アグリゲーションの枠組みとしての超次元計算
Authors: Peer Neubert and Stefan Schubert
Abstract要約: 我々は超次元計算(HDC)を、同じ次元の1つのベクトルにおけるベクトルの集合からの情報を組み合わせるアプローチとして用いている。本稿では,既存および将来の画像記述子(深層学習ベース)の出力処理に適したhdc実装を提案する。
参考スコア（独自算出の注目度）: 4.56877715768796
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Image and video descriptors are an omnipresent tool in computer vision and its application fields like mobile robotics. Many hand-crafted and in particular learned image descriptors are numerical vectors with a potentially (very) large number of dimensions. Practical considerations like memory consumption or time for comparisons call for the creation of compact representations. In this paper, we use hyperdimensional computing (HDC) as an approach to systematically combine information from a set of vectors in a single vector of the same dimensionality. HDC is a known technique to perform symbolic processing with distributed representation in numerical vectors with thousands of dimensions. We present a HDC implementation that is suitable for processing the output of existing and future (deep-learning based) image descriptors. We discuss how this can be used as a framework to process descriptors together with additional knowledge by simple and fast vector operations. A concrete outcome is a novel HDC-based approach to aggregate a set of local image descriptors together with their image positions in a single holistic descriptor. The comparison to available holistic descriptors and aggregation methods on a series of standard mobile robotics place recognition experiments shows a 20% improvement in average performance compared to runner-up and 3.6x better worst-case performance.
Abstract（参考訳）: 画像とビデオのディスクリプタは、コンピュータビジョンとそのモバイルロボティクスなどの応用分野において、一貫したツールである。手作りで特に学習された画像記述子の多くは、潜在的に(非常に)多くの次元を持つ数値ベクトルである。メモリ消費や比較時間といった実践的な考慮事項は、コンパクトな表現の作成を要求する。本稿では,一組のベクトルから得られる情報を同一次元のベクトルに体系的に結合する手法として,超次元計算(HDC)を用いる。 HDCは、数千次元の数値ベクトルで分散表現を用いた記号処理を行うための既知の技術である。本稿では,既存および将来の画像記述子(深層学習ベース)の出力処理に適したhdc実装を提案する。簡単なベクトル演算による追加知識とともに記述子を処理するためのフレームワークとしてどのように使用できるかについて議論する。具体的な結果は、局所的な画像記述子の集合を1つの全体的記述子のイメージ位置とともに集約する、HDCベースの新しいアプローチである。一連の標準的な移動ロボットの配置認識実験で利用可能な総体的記述子と集約法と比較すると、ランナーアップと3.6倍の最悪のパフォーマンスに比べて平均性能が20%向上している。