論文の概要: Learning to Predict Repeatability of Interest Points
- arxiv url: http://arxiv.org/abs/2105.03578v1
- Date: Sat, 8 May 2021 03:26:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 14:38:58.377996
- Title: Learning to Predict Repeatability of Interest Points
- Title（参考訳）: 関心点の再現性を予測するための学習
- Authors: Anh-Dzung Doan and Daniyar Turmukhambetov and Yasir Latif and Tat-Jun
Chin and Soohyun Bae
- Abstract要約: 本稿では,時間関数としての関心点の繰り返し可能性を予測することを提案する。
反復可能性予測器(RP)は、長期にわたり複数の視点から繰り返し関心点に基づいて訓練された回帰器として定式化される。
- 参考スコア（独自算出の注目度）: 40.50112516978147
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many robotics applications require interest points that are highly repeatable
under varying viewpoints and lighting conditions. However, this requirement is
very challenging as the environment changes continuously and indefinitely,
leading to appearance changes of interest points with respect to time. This
paper proposes to predict the repeatability of an interest point as a function
of time, which can tell us the lifespan of the interest point considering daily
or seasonal variation. The repeatability predictor (RP) is formulated as a
regressor trained on repeated interest points from multiple viewpoints over a
long period of time. Through comprehensive experiments, we demonstrate that our
RP can estimate when a new interest point is repeated, and also highlight an
insightful analysis about this problem. For further comparison, we apply our RP
to the map summarization under visual localization framework, which builds a
compact representation of the full context map given the query time. The
experimental result shows a careful selection of potentially repeatable
interest points predicted by our RP can significantly mitigate the degeneration
of localization accuracy from map summarization.
- Abstract（参考訳）: 多くのロボティクスアプリケーションは、様々な視点や照明条件下で非常に再現可能な興味点を必要とする。
しかし、環境が継続的に無期限に変化し、時間に対する関心点の出現が変化するため、この要件は非常に困難である。
本稿では,時間的機能としての関心点の反復可能性を予測することを提案し,日・季節的変動を考慮した関心点の寿命を示す。
反復可能性予測器(RP)は、長期にわたり複数の視点から繰り返し関心点に基づいて訓練された回帰器として定式化される。
包括的実験により,新たな関心点が繰り返された際にrpが推定できることを示すとともに,この問題に対する洞察に富んだ分析を行った。
さらに比較するために、我々のRPを視覚的局所化フレームワークのマップ要約に適用し、クエリ時間に応じて全コンテキストマップのコンパクトな表現を構築する。
実験の結果,rpが予測する再帰的関心点の慎重な選択は,地図要約による局所化精度の低下を著しく軽減することが示された。
関連論文リスト
- REPLAY: Modeling Time-Varying Temporal Regularities of Human Mobility for Location Prediction over Sparse Trajectories [7.493786214342181]
位置予測のための時間変化の時間的規則性を把握するための一般RNNアーキテクチャ学習であるREPLAYを提案する。
特に、REPLAYは、情報の隠された過去の状態を探すために、スパース軌跡の距離を利用するだけでなく、時間変化の時間的規則性も許容する。
その結果、REPLAYは位置予測タスクにおいて、最先端の手法を7.7%から10.9%向上させることができた。
論文 参考訳（メタデータ） (2024-02-26T05:28:36Z) - LEAP-VO: Long-term Effective Any Point Tracking for Visual Odometry [52.131996528655094]
本稿では,LEAP(Long-term Effective Any Point Tracking)モジュールについて述べる。
LEAPは、動的トラック推定のために、視覚的、トラック間、時間的キューと慎重に選択されたアンカーを革新的に組み合わせている。
これらの特徴に基づき,強靭な視力計測システムLEAP-VOを開発した。
論文 参考訳（メタデータ） (2024-01-03T18:57:27Z) - LoCUS: Learning Multiscale 3D-consistent Features from Posed Images [18.648772607057175]
我々は、監督なしに多目的な神経表現を訓練する。
検索セットを慎重に構築することで、検索と再利用のバランスをとることができる。
スパース,マルチスケール,セマンティック空間マップの作成結果を示す。
論文 参考訳（メタデータ） (2023-10-02T11:11:23Z) - Action Quality Assessment with Temporal Parsing Transformer [84.1272079121699]
行動品質評価(AQA)は、作業の理解と解決に重要である。
本稿では,時間的部分表現に包括的特徴を分解する時間的パーシング変換器を提案する。
提案手法は,3つの公開AQAベンチマークにおける先行研究よりもかなりのマージンで優れていた。
論文 参考訳（メタデータ） (2022-07-19T13:29:05Z) - AutoFITS: Automatic Feature Engineering for Irregular Time Series [0.44198435146063353]
不規則な時系列では、各観測が収集される時間はデータのダイナミクスを要約し、予測性能を向上させるのに役立つ。
我々は,各インスタンスが収集された際に,この視点から情報を抽出することに焦点を当てた,新しい自動機能エンジニアリングフレームワークを開発する。
時系列予測ワークフローに組み込むことによって,この情報の価値を検証し,時系列予測のための最新手法との比較や補完方法について検討する。
論文 参考訳（メタデータ） (2021-12-29T19:42:48Z) - Graph-Guided Network for Irregularly Sampled Multivariate Time Series [15.919269970122555]
本稿では,不規則なサンプル時系列の表現を学習するためのグラフ誘導ネットワークであるRAINDROPを紹介する。
RAINDROPはすべてのサンプルをグラフとして表現し、ノードはセンサーを示し、エッジはそれら間の依存関係を表す。
我々は、RAINDROPを用いて時系列を分類し、3つの医療および人間の活動データセットの時間的ダイナミクスを解釈する。
論文 参考訳（メタデータ） (2021-10-11T15:37:58Z) - Anomaly Transformer: Time Series Anomaly Detection with Association
Discrepancy [68.86835407617778]
Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。
Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2021-10-06T10:33:55Z) - Spatially Adaptive Inference with Stochastic Feature Sampling and
Interpolation [72.40827239394565]
スパースサンプリングされた場所のみの機能を計算することを提案する。
次に、効率的な手順で特徴写像を密に再構築する。
提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
論文 参考訳（メタデータ） (2020-03-19T15:36:31Z) - Options of Interest: Temporal Abstraction with Interest Functions [58.30081828754683]
一般関数近似に適した開始集合の一般化を、オプションに関連付けられた興味関数を定義することによって提供する。
我々は、関心関数に対する勾配に基づく学習アルゴリズムを導出し、新たな関心選択批判的アーキテクチャを創出する。
論文 参考訳（メタデータ） (2020-01-01T21:24:39Z)
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。