論文の概要: Distributional Depth-Based Estimation of Object Articulation Models
- arxiv url: http://arxiv.org/abs/2108.05875v1
- Date: Thu, 12 Aug 2021 17:44:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-13 16:53:12.420256
- Title: Distributional Depth-Based Estimation of Object Articulation Models
- Title（参考訳）: 分布深さに基づく物体調音モデルの推定
- Authors: Ajinkya Jain, Stephen Giguere, Rudolf Lioutikov and Scott Niekum
- Abstract要約: 本研究では,奥行き画像から直接,調音モデルパラメータの分布を効率よく学習する手法を提案する。
私たちのコアコントリビューションには、剛体変換に対する分布の新しい表現が含まれています。
本稿では,カテゴリに依存しない調音モデル推定を行う新しい深層学習手法DUST-netを提案する。
- 参考スコア（独自算出の注目度）: 21.046351215949525
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a method that efficiently learns distributions over articulation
model parameters directly from depth images without the need to know
articulation model categories a priori. By contrast, existing methods that
learn articulation models from raw observations typically only predict point
estimates of the model parameters, which are insufficient to guarantee the safe
manipulation of articulated objects. Our core contributions include a novel
representation for distributions over rigid body transformations and
articulation model parameters based on screw theory, von Mises-Fisher
distributions, and Stiefel manifolds. Combining these concepts allows for an
efficient, mathematically sound representation that implicitly satisfies the
constraints that rigid body transformations and articulations must adhere to.
Leveraging this representation, we introduce a novel deep learning based
approach, DUST-net, that performs category-independent articulation model
estimation while also providing model uncertainties. We evaluate our approach
on several benchmarking datasets and real-world objects and compare its
performance with two current state-of-the-art methods. Our results demonstrate
that DUST-net can successfully learn distributions over articulation models for
novel objects across articulation model categories, which generate point
estimates with better accuracy than state-of-the-art methods and effectively
capture the uncertainty over predicted model parameters due to noisy inputs.
- Abstract（参考訳）: 本研究では,音節モデルカテゴリを事前に知ることなく,奥行き画像から直接,調音モデルパラメータの分布を効率よく学習する手法を提案する。
対照的に、生観測から調音モデルを学習する既存の手法は、通常、調音対象の安全な操作を保証するには不十分なモデルパラメータの点推定しか予測できない。
我々の中心となる貢献には、ねじ理論、フォン・ミセス・フィッシャー分布、スティーフェル多様体に基づく剛体変換および調音モデルパラメータ上の分布の新たな表現が含まれる。
これらの概念を組み合わせることで、剛体変換や調音が従わなければならない制約を暗黙的に満たす、効率的で数学的に健全な表現が可能になる。
本稿では,この表現を活用し,カテゴリ非依存な調音モデル推定を行うとともに,モデルの不確実性も提供する,新しい深層学習に基づくアプローチであるダストネットを提案する。
いくつかのベンチマークデータセットと実世界のオブジェクトに対するアプローチを評価し、その性能を2つの最先端手法と比較した。
以上の結果から, DUST-netは, 従来手法よりも精度の高い点推定値を生成し, 雑音による予測モデルパラメータの不確かさを効果的に把握できることを示す。
関連論文リスト
- Evaluating Representations with Readout Model Switching [18.475866691786695]
本稿では,最小記述長(MDL)の原理を用いて評価指標を考案する。
我々は、読み出しモデルのためのハイブリッド離散および連続値モデル空間を設計し、それらの予測を組み合わせるために切替戦略を用いる。
提案手法はオンライン手法で効率的に計算でき,様々なアーキテクチャの事前学習された視覚エンコーダに対する結果を示す。
論文 参考訳（メタデータ） (2023-02-19T14:08:01Z) - MAUVE Scores for Generative Models: Theory and Practice [78.12659856910912]
ジェネレーティブAIは成熟し、大規模なモデルが人間の手書きのテキストと著しく写実的な画像と区別できないようなテキストを生成するようになった。
生成されたデータの分布がターゲットの実データ分布にどの程度近いかを測定することは、既存のモデルを診断し、より良いモデルを開発するための重要なステップである。
本報告では,テキストや画像の生成モデルで発生するような分布のペア間の比較尺度であるMAUVEについて述べる。
論文 参考訳（メタデータ） (2022-12-30T07:37:40Z) - Are Neural Topic Models Broken? [81.15470302729638]
トピックモデルの自動評価と人的評価の関係について検討する。
ニューラルトピックモデルは、確立された古典的手法と比較して、両方の点においてより悪くなる。
論文 参考訳（メタデータ） (2022-10-28T14:38:50Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳（メタデータ） (2021-06-03T12:59:16Z) - Attentional Prototype Inference for Few-Shot Semantic Segmentation [114.74344993331196]
数ショットセマンティックセグメンテーションのための確率的潜時変数フレームワークである注目プロトタイプ推論(API)を提案する。
我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。
我々は3つのベンチマークについて広範な実験を行い,提案手法は最先端手法よりも,少なくとも競争性が高く,しばしば優れた性能を得る。
論文 参考訳（メタデータ） (2021-05-14T06:58:44Z) - Split Modeling for High-Dimensional Logistic Regression [0.2676349883103404]
短時間コンパイルしたアンサンブルロジスティック分類モデルに対して,新しい手法を提案する。
本手法は,予測精度に優れたバイアスオフの活用法を学習する。
提案手法を実装したオープンソースソフトウェアライブラリを議論する。
論文 参考訳（メタデータ） (2021-02-17T05:57:26Z) - Distilling Interpretable Models into Human-Readable Code [71.11328360614479]
人間可読性は機械学習モデル解釈可能性にとって重要で望ましい標準である。
従来の方法を用いて解釈可能なモデルを訓練し,それを簡潔で可読なコードに抽出する。
本稿では,幅広いユースケースで効率的に,確実に高品質な結果を生成する分別線形曲線フィッティングアルゴリズムについて述べる。
論文 参考訳（メタデータ） (2021-01-21T01:46:36Z) - ScrewNet: Category-Independent Articulation Model Estimation From Depth
Images Using Screw Theory [23.861024692501083]
ScrewNetは、深度画像から直接オブジェクトの調音モデルを推定する新しいアプローチである。
我々は2つのベンチマークデータセットに対するアプローチを評価し、その性能を現在の最先端手法と比較する。
論文 参考訳（メタデータ） (2020-08-24T15:41:23Z) - Control as Hybrid Inference [62.997667081978825]
本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。
連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
論文 参考訳（メタデータ） (2020-07-11T19:44:09Z) - Semi-nonparametric Latent Class Choice Model with a Flexible Class
Membership Component: A Mixture Model Approach [6.509758931804479]
提案したモデルは、従来のランダムユーティリティ仕様に代わるアプローチとして混合モデルを用いて潜在クラスを定式化する。
その結果,混合モデルにより潜在クラス選択モデル全体の性能が向上した。
論文 参考訳（メタデータ） (2020-07-06T13:19:26Z) - Amortized Bayesian model comparison with evidential deep learning [0.12314765641075436]
本稿では,専門的なディープラーニングアーキテクチャを用いたベイズモデルの比較手法を提案する。
提案手法は純粋にシミュレーションベースであり,観測された各データセットに対して,すべての代替モデルを明示的に適合させるステップを回避している。
提案手法は,本研究で検討した事例に対して,精度,キャリブレーション,効率の点で優れた結果が得られることを示す。
論文 参考訳（メタデータ） (2020-04-22T15:15:46Z)
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。