論文の概要: Are we ready for beyond-application high-volume data? The Reeds robot
perception benchmark dataset
- arxiv url: http://arxiv.org/abs/2109.08250v1
- Date: Thu, 16 Sep 2021 23:21:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-21 06:13:06.374468
- Title: Are we ready for beyond-application high-volume data? The Reeds robot
perception benchmark dataset
- Title（参考訳）: アプリケーション外高ボリュームデータの準備はできているか?
reedsロボット知覚ベンチマークデータセット
- Authors: Ola Benderius and Christian Berger and Krister Blanch
- Abstract要約: 本稿ではロボット認識アルゴリズムの研究のためにReedsと呼ばれるデータセットを提案する。
このデータセットは、アプリケーション固有のソリューションをテストする環境を提供するのではなく、アルゴリズムに要求されるベンチマーク機会を提供することを目的としている。
- 参考スコア（独自算出の注目度）: 3.781421673607643
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a dataset, called Reeds, for research on robot perception
algorithms. The dataset aims to provide demanding benchmark opportunities for
algorithms, rather than providing an environment for testing
application-specific solutions. A boat was selected as a logging platform in
order to provide highly dynamic kinematics. The sensor package includes six
high-performance vision sensors, two long-range lidars, radar, as well as GNSS
and an IMU. The spatiotemporal resolution of sensors were maximized in order to
provide large variations and flexibility in the data, offering evaluation at a
large number of different resolution presets based on the resolution found in
other datasets. Reeds also provides means of a fair and reproducible comparison
of algorithms, by running all evaluations on a common server backend. As the
dataset contains massive-scale data, the evaluation principle also serves as a
way to avoid moving data unnecessarily.
It was also found that naive evaluation of algorithms, where each evaluation
is computed sequentially, was not practical as the fetch and decode task of
each frame would not scale well. Instead, each frame is only decoded once and
then fed to all algorithms in parallel, including for GPU-based algorithms.
- Abstract（参考訳）: 本稿では,ロボット知覚アルゴリズム研究のためのreedsと呼ばれるデータセットを提案する。
このデータセットは、アプリケーション固有のソリューションをテストする環境を提供するのではなく、アルゴリズムに要求されるベンチマーク機会を提供することを目的としている。
ボートは、非常にダイナミックなキネマティクスを提供するために、伐採プラットフォームとして選ばれた。
センサーパッケージには6つの高性能視覚センサー、2つの長距離ライダー、レーダー、GNSSとIMUが含まれている。
センサの時空間分解能は、データの大きなバリエーションと柔軟性を提供するために最大化され、他のデータセットに見られる解像度に基づいて、多くの異なる解像度のプリセットで評価された。
reedsはまた、共通のサーババックエンド上ですべての評価を実行することで、公平かつ再現可能なアルゴリズムの比較手段を提供する。
データセットには大規模データが含まれているため、評価原則は不必要なデータ移動を避ける方法としても機能する。
また,各フレームのフェッチ・デコード処理がうまくスケールしないため,各評価が逐次的に計算されるアルゴリズムの単純性評価は実用的ではなかった。
代わりに、各フレームは一度だけデコードされ、GPUベースのアルゴリズムを含むすべてのアルゴリズムに並列に供給される。
関連論文リスト
- A Novel Adaptive Fine-Tuning Algorithm for Multimodal Models: Self-Optimizing Classification and Selection of High-Quality Datasets in Remote Sensing [46.603157010223505]
マルチモーダル大モデルに対する適応的な微調整アルゴリズムを提案する。
我々は、GeoChatマルチモーダルリモートセンシングデータセットの3分の1を使用して、2台の3090 GPU上でモデルをトレーニングする。
このモデルはUCMercedおよびAID評価データセットで89.86と77.19のスコアを得た。
論文 参考訳（メタデータ） (2024-09-20T09:19:46Z) - V-DETR: DETR with Vertex Relative Position Encoding for 3D Object
Detection [73.37781484123536]
DETRフレームワークを用いた点雲のための高性能な3次元物体検出器を提案する。
限界に対処するため,新しい3次元相対位置(3DV-RPE)法を提案する。
挑戦的なScanNetV2ベンチマークで例外的な結果を示す。
論文 参考訳（メタデータ） (2023-08-08T17:14:14Z) - Efficient Dataset Distillation Using Random Feature Approximation [109.07737733329019]
本稿では,ニューラルネットワークガウス過程(NNGP)カーネルのランダム特徴近似(RFA)を用いた新しいアルゴリズムを提案する。
我々のアルゴリズムは、KIP上で少なくとも100倍のスピードアップを提供し、1つのGPUで実行できる。
RFA蒸留 (RFAD) と呼ばれる本手法は, 大規模データセットの精度において, KIP や他のデータセット凝縮アルゴリズムと競合して動作する。
論文 参考訳（メタデータ） (2022-10-21T15:56:13Z) - Towards Automated Imbalanced Learning with Deep Hierarchical
Reinforcement Learning [57.163525407022966]
不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。
オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。
我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
論文 参考訳（メタデータ） (2022-08-26T04:28:01Z) - SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。
KRRのストリーミング版であるStreaMRAKを提案する。
本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
論文 参考訳（メタデータ） (2021-08-23T21:03:09Z) - A Dataset And Benchmark Of Underwater Object Detection For Robot Picking [28.971646640023284]
我々は,すべての関連するデータセットの収集と再アノテーションに基づいて,データセット,水中オブジェクトの検出(DUO)およびそれに対応するベンチマークを紹介する。
DUOはより合理的な注釈を持つ多様な水中画像のコレクションを含んでいる。
対応するベンチマークは、学術研究および産業応用のためのSOTAの効率と精度の指標を提供する。
論文 参考訳（メタデータ） (2021-06-10T11:56:19Z) - Does it work outside this benchmark? Introducing the Rigid Depth
Constructor tool, depth validation dataset construction in rigid scenes for
the masses [1.294486861344922]
ナビゲーションのための独自の深度検証データセットを構築するためのプロトコルを紹介します。
Rigid Depth ConstructorのRCCは、既存の技術よりもアクセスしやすく、安価になることを目指している。
また,評価アルゴリズムから洞察力のある情報を得るためのテストスイートも開発した。
論文 参考訳（メタデータ） (2021-03-29T22:01:24Z) - Consensus Based Multi-Layer Perceptrons for Edge Computing [0.0]
リッチな分散データから学ぶためには、新しいアルゴリズムが必要である。
資源制約デバイスに対するコンセンサスに基づく多層パーセプトロンを提案する。
論文 参考訳（メタデータ） (2021-02-09T18:39:46Z) - DC-NAS: Divide-and-Conquer Neural Architecture Search [108.57785531758076]
本稿では,ディープ・ニューラル・アーキテクチャーを効果的かつ効率的に探索するためのディバイド・アンド・コンカ(DC)手法を提案する。
ImageNetデータセットで75.1%の精度を達成しており、これは同じ検索空間を使った最先端の手法よりも高い。
論文 参考訳（メタデータ） (2020-05-29T09:02:16Z) - A Benchmark for Point Clouds Registration Algorithms [6.667628085623009]
ポイントクラウドの登録は多くのポイントクラウド処理パイプラインの基本的なステップである。
ほとんどのアルゴリズムは、アドホックに収集され、研究コミュニティと共有されていないデータでテストされる。
この作業は、著者がアドホックに収集されたデータではなく、公開と共有のベンチマークを使用することを奨励することを目的としている。
論文 参考訳（メタデータ） (2020-03-28T17:02:26Z) - NWPU-Crowd: A Large-Scale Benchmark for Crowd Counting and Localization [101.13851473792334]
我々は,5,109枚の画像からなる大規模集束群集NWPU-Crowdを構築し,合計2,133,375個の点と箱を付加したアノテートヘッドを構築した。
他の実世界のデータセットと比較すると、様々な照明シーンを含み、最大密度範囲 (020,033) を持つ。
本稿では,データ特性について述べるとともに,主要なSOTA(State-of-the-art)手法の性能を評価し,新たなデータに生じる問題を分析する。
論文 参考訳（メタデータ） (2020-01-10T09:26:04Z)
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。