Fugu-MT 論文翻訳(概要): Deep SIMBAD: Active Landmark-based Self-localization Using Ranking -based Scene Descriptor

論文の概要: Deep SIMBAD: Active Landmark-based Self-localization Using Ranking -based Scene Descriptor

arxiv url: http://arxiv.org/abs/2109.02786v1
Date: Mon, 6 Sep 2021 23:51:27 GMT
ステータス: 処理完了
システム内更新日: 2021-09-09 01:09:48.080341
Title: Deep SIMBAD: Active Landmark-based Self-localization Using Ranking -based Scene Descriptor
Title（参考訳）: deep simbad: ランキングに基づくシーン記述子を用いたアクティブランドマークベースのセルフローカライズ
Authors: Tanaka Kanji
Abstract要約: 本稿では,アクティブオブザーバによるアクティブな自己ローカライゼーションタスクについて検討し,新しい強化学習(RL)に基づく次世代ベクター(NBV)プランナーを提案する。パブリックNCLTデータセットを用いた実験により,提案手法の有効性が検証された。
参考スコア（独自算出の注目度）: 5.482532589225552
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Landmark-based robot self-localization has recently garnered interest as a highly-compressive domain-invariant approach for performing visual place recognition (VPR) across domains (e.g., time of day, weather, and season). However, landmark-based self-localization can be an ill-posed problem for a passive observer (e.g., manual robot control), as many viewpoints may not provide an effective landmark view. In this study, we consider an active self-localization task by an active observer and present a novel reinforcement learning (RL)-based next-best-view (NBV) planner. Our contributions are as follows. (1) SIMBAD-based VPR: We formulate the problem of landmark-based compact scene description as SIMBAD (similarity-based pattern recognition) and further present its deep learning extension. (2) VPR-to-NBV knowledge transfer: We address the challenge of RL under uncertainty (i.e., active self-localization) by transferring the state recognition ability of VPR to the NBV. (3) NNQL-based NBV: We regard the available VPR as the experience database by adapting nearest-neighbor approximation of Q-learning (NNQL). The result shows an extremely compact data structure that compresses both the VPR and NBV into a single incremental inverted index. Experiments using the public NCLT dataset validated the effectiveness of the proposed approach.
Abstract（参考訳）: ランドマークに基づくロボットの自己ローカライゼーションは、最近、ドメイン間で視覚的位置認識(VPR)を行うための、非常に圧縮性の高いドメイン不変のアプローチとして関心を集めている(例えば、日時、天気、季節)。しかし、ランドマークベースの自己局所化は受動的オブザーバ(例えば手動ロボット制御)にとって不適切な問題であり、多くの視点が効果的なランドマークビューを提供しない可能性がある。本研究では,アクティブ・オブザーバによるアクティブ・セルフローカライズ・タスクについて検討し,新しい強化学習(RL)に基づくNBVプランナを提案する。私たちの貢献は以下の通りです。 1) SIMBADに基づくVPR: SIMBAD(Similarity-based pattern recognition)としてランドマークに基づくコンパクトなシーン記述の問題を定式化し,さらに深層学習の拡張を示す。 2) VPRからNBVへの知識伝達:VPRの状態認識能力をNBVに伝達することで,不確実性(アクティブな自己ローカライゼーション)下でのRLの課題に対処する。 (3) NNQLベースのNBV: 利用可能なVPRを、Q-learning(NNQL)の最も近い近似を適用することで、エクスペリエンスデータベースとみなす。結果は、VPRとNBVの両方を1つのインクリメンタルな逆インデックスに圧縮する非常にコンパクトなデータ構造を示す。 NCLTデータセットを用いた実験により,提案手法の有効性が検証された。

関連論文リスト

Benchmarking Vision Language Model Unlearning via Fictitious Facial Identity Dataset [94.13848736705575]
我々は、未学習アルゴリズムの有効性を頑健に評価するために設計された新しいVLMアンラーニングベンチマークであるFacial Identity Unlearning Benchmark (FIUBench)を紹介する。情報ソースとその露出レベルを正確に制御する2段階評価パイプラインを適用した。 FIUBench 内の 4 つのベースライン VLM アンラーニングアルゴリズムの評価により,すべての手法がアンラーニング性能に制限されていることが明らかとなった。
論文参考訳（メタデータ） (2024-11-05T23:26:10Z)
MarvelOVD: Marrying Object Recognition and Vision-Language Models for Robust Open-Vocabulary Object Detection [107.15164718585666]
開語彙検出コンテキスト下でのVLMの偏り予測の根本原因について検討した。私たちの観察は、非常に優れたトレーニングターゲットを生成する、単純で効果的なパラダイム、コード化されたMarvelOVDにつながります。我々の手法は、他の最先端技術よりも大きなマージンで優れている。
論文参考訳（メタデータ） (2024-07-31T09:23:57Z)
EffoVPR: Effective Foundation Model Utilization for Visual Place Recognition [6.996304653818122]
本稿では,視覚的位置認識のための基盤モデルの可能性を活用するための,シンプルながら強力なアプローチを提案する。まず、自己注意層から抽出した機能が、VPRの強力なリランカとして機能することを実証する。次に、内部のViT層をプールに利用した単一ステージの手法が、最先端の結果をもたらすグローバルな特徴を生み出すことを実証した。
論文参考訳（メタデータ） (2024-05-28T11:24:41Z)
OverlapMamba: Novel Shift State Space Model for LiDAR-based Place Recognition [10.39935021754015]
位置認識のための新しいネットワークであるOverlapMambaを開発した。本手法は,以前に訪れた場所を異なる方向から横断する場合でも,ループの閉鎖を効果的に検出する。生のレンジビューの入力に基づいて、典型的なLiDARと複数ビューの組み合わせ法を時間的複雑さと速度で上回っている。
論文参考訳（メタデータ） (2024-05-13T17:46:35Z)
Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
論文参考訳（メタデータ） (2024-02-25T13:22:17Z)
CPR++: Object Localization via Single Coarse Point Supervision [55.8671776333499]
粗い点修正(CPR)は、アルゴリズムの観点からの意味的分散を緩和する最初の試みである。 CPRは、アノテートされた最初のポイントを置き換えるために、近隣地域のセマンティックセンターポイントを選択することで意味のばらつきを減らす。 CPR++は、スケール情報を取得し、グローバル領域における意味的分散をさらに低減することができる。
論文参考訳（メタデータ） (2024-01-30T17:38:48Z)
Background Activation Suppression for Weakly Supervised Object Localization and Semantic Segmentation [84.62067728093358]
弱教師付きオブジェクトローカライゼーションとセマンティックセグメンテーションは、画像レベルのラベルのみを使用してオブジェクトをローカライズすることを目的としている。画素レベルのローカライゼーションを実現するために,フォアグラウンド予測マップを生成することで,新たなパラダイムが誕生した。本稿では,物体の局在化学習過程に関する2つの驚くべき実験結果を示す。
論文参考訳（メタデータ） (2023-09-22T15:44:10Z)
Self-Supervised Place Recognition by Refining Temporal and Featural Pseudo Labels from Panoramic Data [16.540900776820084]
本稿では,時間的近傍と学習可能な特徴近傍を用いて未知の空間近傍を探索するTF-VPRという新しいフレームワークを提案する。本手法は,リコール率,ロバスト性,方向多様性において,自己監督ベースラインよりも優れる。
論文参考訳（メタデータ） (2022-08-19T12:59:46Z)
Provably Sample-Efficient RL with Side Information about Latent Dynamics [12.461789905893026]
本研究では,RLエージェントが状態空間の構造に関する抽象的な知識にアクセスできるような環境下での強化学習について検討する。我々は,対象領域におけるロバストなポリシーを,地平線上にあるサンプルの複雑さで学習するTASIDというアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-05-27T21:07:03Z)
On Exploring Pose Estimation as an Auxiliary Learning Task for Visible-Infrared Person Re-identification [66.58450185833479]
本稿では,Pose Estimationを補助学習タスクとして活用して,エンドツーエンドフレームワークにおけるVI-ReIDタスクを支援する。これら2つのタスクを相互に有利な方法で共同でトレーニングすることにより、高品質なモダリティ共有とID関連の特徴を学習する。 2つのベンチマークVI-ReIDデータセットの実験結果から,提案手法は一定のマージンで最先端の手法を継続的に改善することが示された。
論文参考訳（メタデータ） (2022-01-11T09:44:00Z)
Domain-invariant NBV Planner for Active Cross-domain Self-localization [0.0]
スパース不変ランドマークと高密度識別ランドマークを用いたアクティブ自己局在化システムを開発する。実験では,効率的なランドマーク検出と識別的自己局所化の両方において提案手法が有効であることを示す。
論文参考訳（メタデータ） (2021-02-23T07:36:45Z)

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。