論文の概要: Model-Based Parameter Optimization for Ground Texture Based Localization Methods

• arxiv url: http://arxiv.org/abs/2109.01559v1
• Date: Fri, 3 Sep 2021 14:29:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-06 13:51:32.084298
• Title: Model-Based Parameter Optimization for Ground Texture Based Localization Methods
• Title（参考訳）: 地盤テクスチャに基づく局所化手法のモデルベースパラメータ最適化
• Authors: Jan Fabian Schmid, Stephan F. Simon, Rudolf Mester
• Abstract要約: ロボットの正確な位置決めへの有望なアプローチは、地面テクスチャに基づくローカライゼーションである。 アプリケーション領域のサンプル画像の少数の収集しか必要としないローカライゼーション性能の予測モデルを導出する。
• 参考スコア（独自算出の注目度）: 16.242924916178286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A promising approach to accurate positioning of robots is ground texture based localization. It is based on the observation that visual features of ground images enable fingerprint-like place recognition. We tackle the issue of efficient parametrization of such methods, deriving a prediction model for localization performance, which requires only a small collection of sample images of an application area. In a first step, we examine whether the model can predict the effects of changing one of the most important parameters of feature-based localization methods: the number of extracted features. We examine two localization methods, and in both cases our evaluation shows that the predictions are sufficiently accurate. Since this model can be used to find suitable values for any parameter, we then present a holistic parameter optimization framework, which finds suitable texture-specific parameter configurations, using only the model to evaluate the considered parameter configurations.
• Abstract（参考訳）: ロボットの正確な位置決めへの有望なアプローチは、地面テクスチャに基づくローカライゼーションである。 地上画像の視覚的特徴が指紋のような位置認識を可能にするという観測に基づく。 このような手法の効率的なパラメータ化の問題に対処し,アプリケーション領域のサンプル画像の収集のみを必要とするローカライズ性能の予測モデルを導出する。 最初のステップでは,特徴量に基づく局所化手法の最も重要なパラメータの1つ,抽出された特徴量を変更する効果をモデルが予測できるかどうかを検討する。 2つの局所化法について検討し,いずれの場合も,予測精度が十分であることを示す。 このモデルは任意のパラメータに適した値を見つけるために使用できるので、考慮されたパラメータの設定を評価するモデルのみを使用して、適切なテクスチャ固有のパラメータ設定を見つけるための総合的なパラメータ最適化フレームワークを提示します。

関連論文リスト

• Scaling Exponents Across Parameterizations and Optimizers [94.54718325264218]
  本稿では,先行研究における重要な仮定を考察し,パラメータ化の新たな視点を提案する。 私たちの経験的調査には、3つの組み合わせでトレーニングされた数万のモデルが含まれています。 最高の学習率のスケーリング基準は、以前の作業の仮定から除外されることがよくあります。
  論文  参考訳（メタデータ） (2024-07-08T12:32:51Z)
• Estimating Material Properties of Interacting Objects Using Sum-GP-UCB [17.813871065276636]
  観測結果に基づいて,物体の材料特性パラメータを同定するベイズ最適化手法を提案する。 本手法は, 収集した観測結果の報酬をリセットすることなく, 逐次学習を効果的に行うことができることを示す。
  論文  参考訳（メタデータ） (2023-10-18T07:16:06Z)
• On the Effectiveness of Parameter-Efficient Fine-Tuning [79.6302606855302]
  現在、多くの研究が、パラメータのごく一部のみを微調整し、異なるタスク間で共有されるパラメータのほとんどを保持することを提案している。 これらの手法は, いずれも細粒度モデルであり, 新たな理論的解析を行う。 我々の理論に根ざした空間性の有効性にもかかわらず、調整可能なパラメータをどう選ぶかという問題はまだ未解決のままである。
  論文  参考訳（メタデータ） (2022-11-28T17:41:48Z)
• Exploring validation metrics for offline model-based optimisation with diffusion models [50.404829846182764]
  モデルベース最適化(MBO)では、マシンラーニングを使用して、(基底真理)オラクルと呼ばれるブラックボックス関数に対する報酬の尺度を最大化する候補を設計することに興味があります。 モデル検証中に基底オラクルに対する近似をトレーニングし、その代わりに使用することができるが、その評価は近似的であり、敵の例に対して脆弱である。 本手法は,外挿量を測定するために提案した評価フレームワークにカプセル化されている。
  論文  参考訳（メタデータ） (2022-11-19T16:57:37Z)
• RbX: Region-based explanations of prediction models [69.3939291118954]
  領域に基づく説明(RbX)は、ブラックボックス予測モデルからスカラー出力の局所的な説明を生成するモデルに依存しない方法である。 RbXは「スパーシティ公理(sparsity axiom)」を満たすことが保証されており、予測モデルに入らない特徴は重要視されない。
  論文  参考訳（メタデータ） (2022-10-17T03:38:06Z)
• Parameter-efficient Model Adaptation for Vision Transformers [45.3460867776953]
  画像分類タスクにおける視覚変換器のパラメータ効率モデル適応戦略について検討する。 本稿では,局所固有次元を測定することで,まずサブモジュールを選択するパラメータ効率のよいモデル適応フレームワークを提案する。 提案手法は,20画像分類データセット間の精度とパラメータ効率のトレードオフを最良とする。
  論文  参考訳（メタデータ） (2022-03-29T05:30:09Z)
• A Model for Multi-View Residual Covariances based on Perspective Deformation [88.21738020902411]
  マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。 我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
  論文  参考訳（メタデータ） (2022-02-01T21:21:56Z)
• Parameter Tuning Strategies for Metaheuristic Methods Applied to Discrete Optimization of Structural Design [0.0]
  本稿では, 鉄筋コンクリート(RC)構造物の設計最適化のためのメタヒューリスティック手法のパラメータを調整するためのいくつかの手法を提案する。 平均性能曲線の下での面積に基づいて, 実用性指標を提案する。
  論文  参考訳（メタデータ） (2021-10-12T17:34:39Z)
• Optimizing model-agnostic Random Subspace ensembles [5.680512932725364]
  教師あり学習のためのモデルに依存しないアンサンブルアプローチを提案する。 提案手法は、ランダム部分空間アプローチのパラメトリックバージョンを用いてモデルのアンサンブルを学習することとを交互に行う。 シミュレーションおよび実世界のデータセット上で,予測と特徴ランキングの両面で,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-07T13:58:23Z)
• Condensing Two-stage Detection with Automatic Object Key Part Discovery [87.1034745775229]
  2段階の物体検出器は通常、高い精度を達成するために、検出ヘッドのために過度に大きなモデルを必要とする。 そこで本研究では,2段階検出ヘッドのモデルパラメータを,対象キー部分に集中させることで縮合・縮小できることを示す。 提案手法は、一般的な2段検出ヘッドのモデルパラメータの約50%を放棄しながら、元の性能を一貫して維持する。
  論文  参考訳（メタデータ） (2020-06-10T01:20:47Z)
• Black-Box Saliency Map Generation Using Bayesian Optimisation [5.414308305392763]
  正当性マップはコンピュータビジョンにおいて、モデルが特定の予測を生成するために使っている入力領域の直感的な解釈を提供するためにしばしば用いられる。 本研究は,モデルパラメータへのアクセスが不要なブラックボックスモデルに対して,サリエンシマップ生成のためのアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-30T14:39:12Z)

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。