論文の概要: Few-Shot Meta-Learning on Point Cloud for Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2104.02979v1
• Date: Wed, 7 Apr 2021 08:06:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-08 12:40:47.489102
• Title: Few-Shot Meta-Learning on Point Cloud for Semantic Segmentation
• Title（参考訳）: セマンティックセグメンテーションのためのポイントクラウドでのメタラーニング
• Authors: Xudong Li, Li Feng, Lei Li, Chen Wang
• Abstract要約: 本稿では,メタラーニングに基づくポイントクラウドのセグメンテーション手法を提案する。 3Dシーンでメタラーニングのためのデータセットを生成する手法を開拓し、3Dポイントクラウドデータを処理するためにModel-Agnostic Meta-Learning (MAML)アルゴリズムを適用できることを実証しました。
• 参考スコア（独自算出の注目度）: 10.767113602476682
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The promotion of construction robots can solve the problem of human resource shortage and improve the quality of decoration. Meanwhile, 3D point cloud is an important form of data for obtaining environmental information, which is widely used in robotics, autonomous driving and other fields. In order to work better, construction robots need to be able to understand their surroundings. However, as the robot renovates a house, the point cloud information changes dynamically. For the purpose of making the robot dynamically adapt to the changes of the environment, this paper proposes a semantic segmentation method for point cloud based on meta-learning. The method includes a basic learning module and a meta-learning module. The learning module is responsible for learning data features and evaluating the model, while the meta-learning module is responsible for updating the parameters of the model and improving the model generalization capability. In our work, we pioneered the method of producing datasets for meta-learning in 3D scenes, as well as demonstrated that the Model-Agnostic Meta-Learning (MAML) algorithm can be applied to process 3D point cloud data. At the same time, experiments show that our method can allow the model to be quickly applied to new environments with a small number of samples. Our proposed method has great application value.
• Abstract（参考訳）: 建設ロボットの推進は、人的資源不足の問題を解決し、装飾の質を向上させることができる。 一方、3Dポイントクラウドは環境情報を取得する上で重要なデータであり、ロボット工学や自動運転などの分野で広く利用されている。 より良く働くためには、建設ロボットは周囲の状況を理解できる必要がある。 しかし、ロボットが家を改装するにつれて、点雲情報は動的に変化する。 本稿では,ロボットを環境の変化に動的に適応させるために,メタラーニングに基づくポイントクラウドのための意味セグメンテーション手法を提案する。 本発明の方法は、基礎学習モジュールとメタ学習モジュールとを含む。 学習モジュールはデータ特徴の学習とモデルの評価に責任を持ち、メタ学習モジュールはモデルのパラメータの更新とモデルの一般化能力の向上に責任を持つ。 本研究では,3次元シーンにおけるメタラーニングのためのデータセット作成手法を開拓し,モデル非依存型メタラーニング(MAML)アルゴリズムを3次元ポイントクラウドデータ処理に適用できることを実証した。 同時に, 実験により, 少数のサンプルを用いて, モデルが新しい環境に迅速に適用できることを示した。 提案手法は適用価値が高い。

関連論文リスト

• SOLD: Reinforcement Learning with Slot Object-Centric Latent Dynamics [16.020835290802548]
  Slot-Attention for Object-centric Latent Dynamicsは、画素入力からオブジェクト中心の動的モデルを学ぶ新しいアルゴリズムである。 構造化潜在空間は、モデル解釈可能性を改善するだけでなく、振る舞いモデルが推論する価値のある入力空間も提供することを実証する。 以上の結果から,SOLDは,最先端のモデルベースRLアルゴリズムであるDreamerV3よりも,さまざまなベンチマークロボット環境において優れていた。
  論文  参考訳（メタデータ） (2024-10-11T14:03:31Z)
• Robot Utility Models: General Policies for Zero-Shot Deployment in New Environments [26.66666135624716]
  ゼロショットロボットポリシーのトレーニングとデプロイのためのフレームワークであるロボットユーティリティモデル(RUM)を提案する。 RUMは微調整なしで新しい環境に一般化できる。 キャビネットドアのオープン、引き出しのオープン、ナプキンのピックアップ、紙袋のピックアップ、転倒物の再配向の5つのユーティリティモデルを訓練する。
  論文  参考訳（メタデータ） (2024-09-09T17:59:50Z)
• Learn to Unlearn for Deep Neural Networks: Minimizing Unlearning Interference with Gradient Projection [56.292071534857946]
  最近のデータプライバシ法は、機械学習への関心を喚起している。 課題は、残りのデータセットに関する知識を変更することなく、忘れたデータに関する情報を捨てることである。 我々は、プロジェクテッド・グラディエント・アンラーニング(PGU)という、プロジェクテッド・グラディエント・ベースの学習手法を採用する。 トレーニングデータセットがもはやアクセスできない場合でも、スクラッチからスクラッチで再トレーニングされたモデルと同じような振る舞いをするモデルを、我々のアンラーニング手法が生成できることを実証するための実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2023-12-07T07:17:24Z)
• Robot Fine-Tuning Made Easy: Pre-Training Rewards and Policies for Autonomous Real-World Reinforcement Learning [58.3994826169858]
  ロボット強化学習のためのリセット不要な微調整システムであるRoboFuMEを紹介する。 我々の洞察は、オフラインの強化学習技術を利用して、事前訓練されたポリシーの効率的なオンライン微調整を確保することである。 提案手法では,既存のロボットデータセットからのデータを組み込んで,目標タスクを3時間以内の自律現実体験で改善することができる。
  論文  参考訳（メタデータ） (2023-10-23T17:50:08Z)
• Learning Environment Models with Continuous Stochastic Dynamics [0.0]
  本研究では,エージェントの制御下での環境行動のオートマトンモデルを学ぶことによって,エージェントが直面する決定に対する洞察を提供することを目的とする。 本研究では,複雑で連続的な力学を持つ環境のモデルを学習できるように,自動学習の能力を高める。 我々は,LunarLander,CartPole,Mountain Car,Acrobotなど,OpenAI GymのRLベンチマーク環境に自動学習フレームワークを適用した。
  論文  参考訳（メタデータ） (2023-06-29T12:47:28Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Masked World Models for Visual Control [90.13638482124567]
  視覚表現学習と動的学習を分離する視覚モデルに基づくRLフレームワークを提案する。 提案手法は,様々な視覚ロボット作業における最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-06-28T18:42:27Z)
• Bayesian Meta-Learning for Few-Shot Policy Adaptation Across Robotic Platforms [60.59764170868101]
  強化学習手法は、重要な性能を達成できるが、同じロボットプラットフォームで収集される大量のトレーニングデータを必要とする。 私たちはそれを、さまざまなロボットプラットフォームで共有される共通の構造を捉えるモデルを見つけることを目標とする、数ショットのメタラーニング問題として定式化します。 我々は,400個のロボットを用いて,実ロボットピッキング作業とシミュレーションリーチの枠組みを実験的に評価した。
  論文  参考訳（メタデータ） (2021-03-05T14:16:20Z)
• Model-Based Visual Planning with Self-Supervised Functional Distances [104.83979811803466]
  モデルに基づく視覚的目標達成のための自己監視手法を提案する。 私たちのアプローチは、オフラインでラベルなしのデータを使って完全に学習します。 このアプローチは,モデルフリーとモデルベース先行手法の両方で大幅に性能が向上することがわかった。
  論文  参考訳（メタデータ） (2020-12-30T23:59:09Z)
• A Comprehensive Overview and Survey of Recent Advances in Meta-Learning [0.0]
  メタラーニングはラーニング・トゥ・ラーン(Learning-to-Lern)とも呼ばれる。 メタラーニング手法は,ブラックボックスメタラーニング,メトリックベースメタラーニング,階層型メタラーニング,ベイズ的メタラーニングフレームワークである。
  論文  参考訳（メタデータ） (2020-04-17T03:11:08Z)

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。