論文の概要: A Consistency-Based Loss for Deep Odometry Through Uncertainty Propagation

• arxiv url: http://arxiv.org/abs/2107.00366v1
• Date: Thu, 1 Jul 2021 11:09:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-02 13:33:31.766541
• Title: A Consistency-Based Loss for Deep Odometry Through Uncertainty Propagation
• Title（参考訳）: 不確かさ伝播による深部オドメトリーの一貫性に基づく損失
• Authors: Hamed Damirchi, Rooholla Khorrambakht, Hamid D. Taghirad, and Behzad Moshiri
• Abstract要約: 各出力に対する不確実性は、最大極大設定で異なる損失項を重み付けすることができる。 本稿では,深度計測ネットワークの出力特性と不確かさを関連付け,各繰り返しを通じて不確かさを伝播する。 ポーズ推定の定量的かつ定性的な分析を行い,提案手法が最先端のビジュアルオドメトリー手法の精度を超えることを示す。
• 参考スコア（独自算出の注目度）: 0.3359875577705538
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The incremental poses computed through odometry can be integrated over time to calculate the pose of a device with respect to an initial location. The resulting global pose may be used to formulate a second, consistency based, loss term in a deep odometry setting. In such cases where multiple losses are imposed on a network, the uncertainty over each output can be derived to weigh the different loss terms in a maximum likelihood setting. However, when imposing a constraint on the integrated transformation, due to how only odometry is estimated at each iteration of the algorithm, there is no information about the uncertainty associated with the global pose to weigh the global loss term. In this paper, we associate uncertainties with the output poses of a deep odometry network and propagate the uncertainties through each iteration. Our goal is to use the estimated covariance matrix at each incremental step to weigh the loss at the corresponding step while weighting the global loss term using the compounded uncertainty. This formulation provides an adaptive method to weigh the incremental and integrated loss terms against each other, noting the increase in uncertainty as new estimates arrive. We provide quantitative and qualitative analysis of pose estimates and show that our method surpasses the accuracy of the state-of-the-art Visual Odometry approaches. Then, uncertainty estimates are evaluated and comparisons against fixed baselines are provided. Finally, the uncertainty values are used in a realistic example to show the effectiveness of uncertainty quantification for localization.
• Abstract（参考訳）: オードメトリによって計算されたインクリメンタルなポーズは、時間とともに統合され、初期位置に関するデバイスのポーズを計算することができる。 結果のグローバルなポーズは、深度オドメトリーの設定で2番目の一貫性に基づく損失項を定式化するために用いられる。 ネットワークに複数の損失が課される場合、各出力に対する不確実性は、最大確率設定において異なる損失項を重み付けるために導出することができる。 しかしながら、アルゴリズムの各イテレーションでオドメトリのみが推定されるため、統合変換に制約を課す場合、大域的ポーズに関連する不確実性に関する情報がなく、大域的損失項を重み付けることができる。 本稿では,深度計測ネットワークの出力特性と不確かさを関連付け,各繰り返しを通じて不確かさを伝播する。 本研究の目的は, 混合不確実性を用いた大域的損失項を重み付けしながら, 各段階における損失の重み付けを行うことである。 この定式化は、漸進的および統合的な損失項を互いに重み付けする適応的な方法を提供し、新しい見積もりが到着するにつれて不確実性の増加を示す。 ポーズ推定の定量的かつ定性的な分析を行い,提案手法が最先端のビジュアルオドメトリー手法の精度を超えることを示す。 そして、不確実性評価を行い、固定ベースラインとの比較を行う。 最後に, 不確実性値を用いて, 不確実性定量化の有効性を示す実例を示す。

関連論文リスト

• Understanding Uncertainty Sampling [7.32527270949303]
  不確実性サンプリングは、データサンプルのアノテーションを逐次クエリする一般的なアクティブラーニングアルゴリズムである。 使用済みの不確実性尺度と元の損失関数に依存する等価損失の概念を提案する。 ストリームベースとプールベースの両方の設定下で、不確実性サンプリングアルゴリズムに拘束される最初の一般化を提供する。
  論文  参考訳（メタデータ） (2023-07-06T01:57:37Z)
• Conformal Prediction with Missing Values [19.18178194789968]
  まず,共形予測の限界カバレッジ保証が,不一致分布のインプットデータに当てはまることを示す。 次に、インプットされたデータに基づいてトレーニングされた普遍的に一貫した量子レグレッションアルゴリズムが、ピンボールリスクに対してベイズ最適であることを示す。
  論文  参考訳（メタデータ） (2023-06-05T09:28:03Z)
• Model-Based Uncertainty in Value Functions [89.31922008981735]
  MDP上の分布によって引き起こされる値の分散を特徴付けることに重点を置いている。 従来の作業は、いわゆる不確実性ベルマン方程式を解くことで、値よりも後方の分散を境界にしている。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式を提案する。
  論文  参考訳（メタデータ） (2023-02-24T09:18:27Z)
• The Implicit Delta Method [61.36121543728134]
  本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。 有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
  論文  参考訳（メタデータ） (2022-11-11T19:34:17Z)
• Loss Minimization through the Lens of Outcome Indistinguishability [11.709566373491619]
  我々は凸損失と最近のOmnipredictionの概念について新しい視点を提示する。 設計上、Los OIは直感的かつ直感的に全滅を意味する。 一般化モデルから生じる損失の重要な集合に対する損失 OI は、完全な多重校正を必要としないことを示す。
  論文  参考訳（メタデータ） (2022-10-16T22:25:27Z)
• Robust Depth Completion with Uncertainty-Driven Loss Functions [60.9237639890582]
  本研究では,不確実性による損失関数を導入し,深度補修の堅牢性を改善し,深度補修の不確実性に対処する。 提案手法は,KITTI深度評価ベンチマークでテストされ,MAE, IMAE, IRMSEの計測値を用いて最先端のロバスト性性能を達成した。
  論文  参考訳（メタデータ） (2021-12-15T05:22:34Z)
• Gradient-Based Quantification of Epistemic Uncertainty for Deep Object Detectors [8.029049649310213]
  本稿では,新しい勾配に基づく不確実性指標を導入し,異なる物体検出アーキテクチャについて検討する。 実験では、真の肯定的/偽の正の判別と、結合上の交叉の予測において顕著な改善が示された。 また,モンテカルロのドロップアウト不確実性指標に対する改善や,さまざまな不確実性指標のソースを集約することで,さらなる大幅な向上が期待できる。
  論文  参考訳（メタデータ） (2021-07-09T16:04:11Z)
• The Aleatoric Uncertainty Estimation Using a Separate Formulation with Virtual Residuals [51.71066839337174]
  既存の手法では、ターゲット推定における誤差を定量化できるが、過小評価する傾向がある。 本稿では,信号とその不確かさを推定するための新たな分離可能な定式化を提案し,オーバーフィッティングの影響を回避した。 提案手法は信号および不確実性推定のための最先端技術より優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-03T12:11:27Z)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)
• Confounding-Robust Policy Evaluation in Infinite-Horizon Reinforcement Learning [70.01650994156797]
  教育医療などのバッチ強化学習において、観察データからのシーケンシャルな意思決定方針のオフ・アセスメントが必要である。 我々は、ある政策の境界を推定するアプローチを開発する。 より凝縮したデータを集めることで、シャープな境界への収束を証明します。
  論文  参考訳（メタデータ） (2020-02-11T16:18:14Z)

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。