論文の概要: Domain-invariant NBV Planner for Active Cross-domain Self-localization

• arxiv url: http://arxiv.org/abs/2102.11530v1
• Date: Tue, 23 Feb 2021 07:36:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-24 13:59:57.538086
• Title: Domain-invariant NBV Planner for Active Cross-domain Self-localization
• Title（参考訳）: アクティブクロスドメイン自己ローカリゼーションのためのドメイン不変NBVプランナー
• Authors: Kanji Tanaka
• Abstract要約: スパース不変ランドマークと高密度識別ランドマークを用いたアクティブ自己局在化システムを開発する。 実験では,効率的なランドマーク検出と識別的自己局所化の両方において提案手法が有効であることを示す。
• 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: Pole-like landmark has received increasing attention as a domain-invariant visual cue for visual robot self-localization across domains (e.g., seasons, times of day, weathers). However, self-localization using pole-like landmarks can be ill-posed for a passive observer, as many viewpoints may not provide any pole-like landmark view. To alleviate this problem, we consider an active observer and explore a novel "domain-invariant" next-best-view (NBV) planner that attains consistent performance over different domains (i.e., maintenance-free), without requiring the expensive task of training data collection and retraining. In our approach, a novel multi-encoder deep convolutional neural network enables to detect domain invariant pole-like landmarks, which are then used as the sole input to a model-free deep reinforcement learning -based domain-invariant NBV planner. Further, we develop a practical system for active self-localization using sparse invariant landmarks and dense discriminative landmarks. In experiments, we demonstrate that the proposed method is effective both in efficient landmark detection and in discriminative self-localization.
• Abstract（参考訳）: ポールのようなランドマークは、ドメイン(季節、時間帯、天気など)をまたいだ視覚ロボットの自己局在化のためのドメイン不変視覚キューとして注目されている。 しかし、ポールのようなランドマークを用いた自己局所化は、多くの視点がポールのようなランドマークビューを提供しないため、パッシブオブザーバには不適切である。 この問題を緩和するために、アクティブオブザーバを検討し、データ収集と再トレーニングの高価なタスクを必要とせずに、異なるドメイン(すなわちメンテナンスフリー)で一貫したパフォーマンスを実現する新しい「ドメイン不変」next-invariant next-best-view(nbv)プランナーを探求する。 提案手法では,新しいマルチエンコーダ深部畳み込みニューラルネットワークを用いて,モデルのない深部強化学習に基づくドメイン不変NBVプランナの唯一の入力として,ドメイン不変極状ランドマークを検出する。 さらに,スパース不変のランドマークと濃密な識別的ランドマークを用いたアクティブな自己ローカライゼーションシステムを開発した。 実験では,効率的なランドマーク検出と識別的自己局所化の両方において提案手法が有効であることを示す。

関連論文リスト

• Revisiting the Domain Shift and Sample Uncertainty in Multi-source Active Domain Transfer [69.82229895838577]
  Active Domain Adaptation (ADA)は、アノテートするターゲットデータの限られた数を選択することで、新しいターゲットドメインにおけるモデル適応を最大限に向上することを目的としている。 この設定は、複数のソースからトレーニングデータを収集するより実践的なシナリオを無視します。 これは、ADAを単一のソースドメインから複数のソースドメインに拡張する、新しい、挑戦的な知識転送の設定を目標にしています。
  論文  参考訳（メタデータ） (2023-11-21T13:12:21Z)
• Deep Feature Registration for Unsupervised Domain Adaptation [15.246480756974963]
  本稿では,ドメイン不変性を維持する登録機能を生成するためのDFRモデルを提案する。 また,対象ドメインにおける擬似ラベルの品質向上のために,擬似ラベル改質プロセスも採用している。
  論文  参考訳（メタデータ） (2023-10-24T18:04:53Z)
• Label Distribution Learning for Generalizable Multi-source Person Re-identification [48.77206888171507]
  人物再識別(Re-ID)は,映像監視システムにおいて重要な技術である。 教師付きモデルを任意の未確認領域に直接適用することは困難である。 一般化可能な多ソース人物Re-IDタスクに対処する新しいラベル分散学習法(LDL)を提案する。
  論文  参考訳（メタデータ） (2022-04-12T15:59:10Z)
• Densely Semantic Enhancement for Domain Adaptive Region-free Detectors [16.50870773197886]
  教師なしドメイン適応オブジェクト検出は、元のソースドメインからトレーニング済みの検出器をラベルのない新しいターゲットドメインに適応させることを目的としている。 本研究では,非領域検出器のインスタンスレベル特徴のクロスドメインマッチングを強化するために,対向モジュールを提案する。
  論文  参考訳（メタデータ） (2021-08-30T10:21:10Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)
• A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
  大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。 多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。 限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
  論文  参考訳（メタデータ） (2020-09-01T00:06:50Z)
• Unsupervised Cross-domain Image Classification by Distance Metric Guided Feature Alignment [11.74643883335152]
  教師なしドメイン適応は、ソースドメインからターゲットドメインに知識を転送する有望な道である。 本稿では,距離メトリックガイド機能アライメント(MetFA)を提案する。 我々のモデルは、クラス分布アライメントを統合して、ソースドメインからターゲットドメインにセマンティック知識を転送します。
  論文  参考訳（メタデータ） (2020-08-19T13:36:57Z)
• Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
  本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。 粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。 粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
  論文  参考訳（メタデータ） (2020-03-23T13:40:06Z)

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。