論文の概要: Online Incremental Non-Gaussian Inference for SLAM Using Normalizing Flows

• arxiv url: http://arxiv.org/abs/2110.00876v1
• Date: Sat, 2 Oct 2021 21:07:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-05 15:06:15.225443
• Title: Online Incremental Non-Gaussian Inference for SLAM Using Normalizing Flows
• Title（参考訳）: 正規化フローを用いたSLAMのオンラインインクリメンタル非ガウス推論
• Authors: Qiangqiang Huang, Can Pu, Kasra Khosoussi, David M. Rosen, Dehann Fourie, Jonathan P. How, John J. Leonard
• Abstract要約: NF-iSAMはニューラルネットワークの表現力を利用して正規化フローをモデル化し、高非線形および非ガウス因子グラフの結合後部を正確に近似することができる。 我々はNF-iSAMの性能を実証し,iSAM2 (Gaussian) や mm-iSAM (non-Gaussian) といった最先端のアルゴリズムと比較した。
• 参考スコア（独自算出の注目度）: 34.297172076718354
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a novel non-Gaussian inference algorithm, Normalizing Flow iSAM (NF-iSAM), for solving SLAM problems with non-Gaussian factors and/or nonlinear measurement models. NF-iSAM exploits the expressive power of neural networks to model normalizing flows that can accurately approximate the joint posterior of highly nonlinear and non-Gaussian factor graphs. By leveraging the Bayes tree, NF-iSAM is able to exploit the sparsity structure of SLAM, thus enabling efficient incremental updates similar to iSAM2, although in the more challenging non-Gaussian setting. We demonstrate the performance of NF-iSAM and compare it against state-of-the-art algorithms such as iSAM2 (Gaussian) and mm-iSAM (non-Gaussian) in synthetic and real range-only SLAM datasets with data association ambiguity.
• Abstract（参考訳）: 本稿では,非ガウス因子および/または非線形測定モデルを用いたSLAM問題の解法として,新しい非ガウス推論アルゴリズムである正規化フローiSAM(NF-iSAM)を提案する。 NF-iSAMはニューラルネットワークの表現力を利用して正規化フローをモデル化し、高非線形および非ガウス因子グラフの結合後部を正確に近似することができる。 ベイズツリーを利用することで、NF-iSAMはSLAMの空間構造を利用することができ、より困難な非ガウス的な設定ではiSAM2と同様の効率的な漸進的な更新を可能にする。 我々はNF-iSAMの性能を実証し,iSAM2 (Gaussian) や mm-iSAM (non-Gaussian) といった最先端のアルゴリズムと比較した。

関連論文リスト

• Fast Graph Sharpness-Aware Minimization for Enhancing and Accelerating Few-Shot Node Classification [53.727688136434345]
  グラフニューラルネットワーク(GNN)はノード分類において優れた性能を示している。 高速グラフシャープネス認識最小化(FGSAM)を提案する。 提案アルゴリズムは,FSNCタスクにおいて,計算コストの低い標準SAMよりも優れる。
  論文  参考訳（メタデータ） (2024-10-22T09:33:29Z)
• LoSAM: Local Search in Additive Noise Models with Unmeasured Confounders, a Top-Down Global Discovery Approach [2.4305626489408465]
  加法雑音モデル(LoSAM)における局所探索を導入する。 LoSAMは、局所因果構造を一般的な付加雑音設定に活用する既存の非線形手法を一般化する。 我々はLoSAMがランタイムを実現し、新しいサブストラクチャを活用することでランタイムと効率を向上させることを示す。
  論文  参考訳（メタデータ） (2024-10-15T16:28:55Z)
• Graph Regularized NMF with L20-norm for Unsupervised Feature Learning [6.894518335015327]
  グラフ正規化非負行列因子化(GNMF)は、グラフ正規化制約を組み込んだNMFの拡張である。 本稿では,GNMFに基づく教師なし機能学習フレームワークを提案し,PALMに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-16T12:10:01Z)
• AdvNF: Reducing Mode Collapse in Conditional Normalising Flows using Adversarial Learning [1.644043499620662]
  正規化フロー(NF)のような明示的なジェネレータは、ターゲット分布から未バイアスのサンプルを取得するために広く応用されている。 本研究では,高分散,モード崩壊,データ効率などの条件付きNFの中心的問題について検討する。 我々はこれらの問題を改善するため,NFの対角訓練を提案する。
  論文  参考訳（メタデータ） (2024-01-29T08:13:51Z)
• Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth Soft-Thresholding [57.71603937699949]
  我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。 トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
  論文  参考訳（メタデータ） (2023-09-12T13:03:47Z)
• PI-NLF: A Proportional-Integral Approach for Non-negative Latent Factor Analysis [9.087387628717952]
  非負潜在因子モデル(NLF)は、HDI行列に対する効率的な表現学習を行う。 PI-NLFモデルは、HDI行列の欠落データに対する計算効率と推定精度の両方において、最先端モデルよりも優れている。
  論文  参考訳（メタデータ） (2022-05-05T12:04:52Z)
• On the Double Descent of Random Features Models Trained with SGD [78.0918823643911]
  勾配降下(SGD)により最適化された高次元におけるランダム特徴(RF)回帰特性について検討する。 本研究では, RF回帰の高精度な非漸近誤差境界を, 定常および適応的なステップサイズSGD設定の下で導出する。 理論的にも経験的にも二重降下現象を観察する。
  論文  参考訳（メタデータ） (2021-10-13T17:47:39Z)
• The Interplay Between Implicit Bias and Benign Overfitting in Two-Layer Linear Networks [51.1848572349154]
  ノイズの多いデータに完全に適合するニューラルネットワークモデルは、見当たらないテストデータにうまく一般化できる。 我々は,2層線形ニューラルネットワークを2乗損失の勾配流で補間し,余剰リスクを導出する。
  論文  参考訳（メタデータ） (2021-08-25T22:01:01Z)
• Learning Generative Prior with Latent Space Sparsity Constraints [25.213673771175692]
  自然像の分布は1つの多様体にではなく、むしろいくつかの部分多様体の結合にあると論じられている。 本稿では,スペーサ性駆動型潜時空間サンプリング(SDLSS)フレームワークを提案し,PMLアルゴリズムを用いて潜時空間のスペーサ性を実現する。 その結果, SDLSS法は, 高次圧縮では最先端法よりも効率が高いことがわかった。
  論文  参考訳（メタデータ） (2021-05-25T14:12:04Z)
• Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
  条件正規化フロー(CNF)はサンプリングと推論において効率的である。 出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
  論文  参考訳（メタデータ） (2019-11-29T19:17:58Z)

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。