Fugu-MT 論文翻訳(概要): Abnormal Occupancy Grid Map Recognition using Attention Network

論文の概要: Abnormal Occupancy Grid Map Recognition using Attention Network

arxiv url: http://arxiv.org/abs/2110.09047v1
Date: Mon, 18 Oct 2021 06:37:21 GMT
ステータス: 処理完了
システム内更新日: 2021-10-20 05:56:59.974863
Title: Abnormal Occupancy Grid Map Recognition using Attention Network
Title（参考訳）: 注意ネットワークを用いた異常機能グリッドマップ認識
Authors: Fuqin Deng, Hua Feng, Mingjian Liang, Qi Feng, Ningbo Yi, Yong Yang, Yuan Gao, Junfeng Chen, and Tin Lun Lam
Abstract要約: 本研究は、残差ニューラルネットワークと新しいアテンション機構モジュールを用いた、自動異常占有グリッドマップ認識に焦点を当てる。階層的特徴を生成するための残差ブロックを含む実効チャネルと空間残留SE(csRSE)アテンションモジュールを提案する。実験の結果,提案した注意ネットワークは,異常占有格子地図認識の精度96.23%で異常地図を推定できることがわかった。
参考スコア（独自算出の注目度）: 13.145725469711413
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The occupancy grid map is a critical component of autonomous positioning and navigation in the mobile robotic system, as many other systems' performance depends heavily on it. To guarantee the quality of the occupancy grid maps, researchers previously had to perform tedious manual recognition for a long time. This work focuses on automatic abnormal occupancy grid map recognition using the residual neural networks and a novel attention mechanism module. We propose an effective channel and spatial Residual SE(csRSE) attention module, which contains a residual block for producing hierarchical features, followed by both channel SE (cSE) block and spatial SE (sSE) block for the sufficient information extraction along the channel and spatial pathways. To further summarize the occupancy grid map characteristics and experiment with our csRSE attention modules, we constructed a dataset called occupancy grid map dataset (OGMD) for our experiments. On this OGMD test dataset, we tested few variants of our proposed structure and compared them with other attention mechanisms. Our experimental results show that the proposed attention network can infer the abnormal map with state-of-the-art (SOTA) accuracy of 96.23% for abnormal occupancy grid map recognition.
Abstract（参考訳）: 占有グリッドマップは、他の多くのシステムの性能がそれに依存するため、移動ロボットシステムにおける自律的な位置決めとナビゲーションの重要な構成要素である。占有グリッドマップの品質を保証するために、研究者は長い間、面倒な手動認識を行わなければならなかった。本研究は、残差ニューラルネットワークと新しいアテンション機構モジュールを用いた、自動異常占有グリッドマップ認識に焦点を当てる。階層的特徴を生成するための残差ブロックを含む効果的なチャネルおよび空間残留SE(csRSE)アテンションモジュールを提案し,それに続いて,チャネルと空間経路に沿った十分な情報抽出のためのチャネルSE(cSE)ブロックと空間SE(sSE)ブロックを提案する。占有グリッドマップの特性をさらに要約し,csrseアテンションモジュールを用いて実験を行うため,occupancy grid map dataset (ogmd) というデータセットを構築した。このOGMDテストデータセットを用いて,提案した構造の変種を試験し,他の注意機構と比較した。実験の結果,提案した注意ネットワークは,異常占有格子地図認識の精度96.23%で異常地図を推定できることがわかった。

関連論文リスト

Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
論文参考訳（メタデータ） (2024-10-10T10:10:03Z)
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)
Automated classification of pre-defined movement patterns: A comparison between GNSS and UWB technology [55.41644538483948]
リアルタイム位置情報システム(RTLS)は、人間の動きパターンからデータを収集することができる。本研究の目的は、小さな領域における人間の動きパターンを分類する自動化された枠組みを設計し、評価することである。
論文参考訳（メタデータ） (2023-03-10T14:46:42Z)
MultiScale Probability Map guided Index Pooling with Attention-based learning for Road and Building Segmentation [18.838213902873616]
MSSDMPA-Net(Multi-Scale Supervised Dilated Multiple-Path Attention Network)を提案する。 MSSDMPA-NetはDAMIP(Dynamic Attention Map Guided Index Pooling)とDAMSCA(Dynamic Attention Map Guided Spatial and Channel Attention)という2つの新しいモジュールを備えている。
論文参考訳（メタデータ） (2023-02-18T19:57:25Z)
Spatial-Temporal Attention Network for Open-Set Fine-Grained Image Recognition [14.450381668547259]
空間的自己注意機構を持つ視覚変換器は、細粒度の異なる画像のカテゴリを識別するために正確な注意マップを学習できなかった。本稿では,STANと呼ばれる細粒度特徴表現を学習するための時空間アテンションネットワークを提案する。提案したSTAN-OSFGRは,9つの最先端のオープンセット認識法に優れる。
論文参考訳（メタデータ） (2022-11-25T07:46:42Z)
Improving Fine-Grained Visual Recognition in Low Data Regimes via Self-Boosting Attention Mechanism [27.628260249895973]
SAM(Self-boosting attention mechanism)は、ネットワークを正規化して、サンプルやクラス間で共有されるキー領域に集中するための新しい手法である。我々はSAMを用いて、二線形プール方式で畳み込みマップをプールするために複数の注意マップを作成する変種を開発する。
論文参考訳（メタデータ） (2022-08-01T05:36:27Z)
Spatial-Temporal Map Vehicle Trajectory Detection Using Dynamic Mode Decomposition and Res-UNet+ Neural Networks [0.0]
本稿では,高角交通カメラから車両軌跡を抽出する,機械学習による縦走査法を提案する。空間時間マップ(STMap)をスパースフォアグラウンドおよびローランク背景に分解することにより,車両ストランドの抽出に動的モード分解(DMD)法を適用した。 Res-UNet+という名前のディープニューラルネットワークは、2つの一般的なディープラーニングアーキテクチャを適用することでセマンティックセグメンテーションタスクのために設計された。
論文参考訳（メタデータ） (2022-01-13T00:49:24Z)
Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
論文参考訳（メタデータ） (2021-11-23T22:25:10Z)
MFGNet: Dynamic Modality-Aware Filter Generation for RGB-T Tracking [72.65494220685525]
可視データと熱データ間のメッセージ通信を促進するために,新しい動的モダリティ対応フィルタ生成モジュール(MFGNet)を提案する。我々は、2つの独立ネットワークを持つ動的モダリティ対応フィルタを生成し、その可視フィルタとサーマルフィルタをそれぞれ、対応する入力特徴写像上で動的畳み込み演算を行う。重閉塞,高速移動,外見による問題に対処するため,新たな方向認識型目標誘導型アテンション機構を活用することで,共同で局所的・グローバル検索を行うことを提案する。
論文参考訳（メタデータ） (2021-07-22T03:10:51Z)
GANav: Group-wise Attention Network for Classifying Navigable Regions in Unstructured Outdoor Environments [54.21959527308051]
本稿では,RGB画像から,オフロード地形および非構造環境における安全かつ航行可能な領域を識別する新しい学習手法を提案する。本手法は,粒度の粗いセマンティックセグメンテーションを用いて,そのナビビリティレベルに基づいて地形分類群を分類する。 RUGD と RELLIS-3D のデータセットを広範囲に評価することにより,我々の学習アルゴリズムがナビゲーションのためのオフロード地形における視覚知覚の精度を向上させることを示す。
論文参考訳（メタデータ） (2021-03-07T02:16:24Z)
SA-UNet: Spatial Attention U-Net for Retinal Vessel Segmentation [4.6859605614050155]
本研究では,何千ものアノテートトレーニングサンプルを必要としない空間注意U-Net (SA-UNet) という軽量ネットワークを提案する。 SA-UNetは空間次元に沿ったアテンションマップを推論する空間アテンションモジュールを導入し、入力特徴マップにアテンションマップを乗じて適応的特徴改善を行う。 SA-UNetを2つのベンチマーク網膜データセット(Vascular extract(DRIVE)データセットとChild Heart and Health Study(CHASE_DB1)データセット)に基づいて評価した。
論文参考訳（メタデータ） (2020-04-07T20:41:12Z)

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。