論文の概要: Learning Iterative Robust Transformation Synchronization

• arxiv url: http://arxiv.org/abs/2111.00728v1
• Date: Mon, 1 Nov 2021 07:03:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-02 15:36:38.763925
• Title: Learning Iterative Robust Transformation Synchronization
• Title（参考訳）: 反復ロバスト変換同期の学習
• Authors: Zi Jian Yew and Gim Hee Lee
• Abstract要約: グラフニューラルネットワーク(GNN)を用いて変換同期を学習することを提案する。 本研究では、ロバストな損失関数のハンドクラフトを回避するとともに、グラフニューラルネットワーク(GNN)を用いて変換同期を学習することを提案する。
• 参考スコア（独自算出の注目度）: 71.73273007900717
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transformation Synchronization is the problem of recovering absolute transformations from a given set of pairwise relative motions. Despite its usefulness, the problem remains challenging due to the influences from noisy and outlier relative motions, and the difficulty to model analytically and suppress them with high fidelity. In this work, we avoid handcrafting robust loss functions, and propose to use graph neural networks (GNNs) to learn transformation synchronization. Unlike previous works which use complicated multi-stage pipelines, we use an iterative approach where each step consists of a single weight-shared message passing layer that refines the absolute poses from the previous iteration by predicting an incremental update in the tangent space. To reduce the influence of outliers, the messages are weighted before aggregation. Our iterative approach alleviates the need for an explicit initialization step and performs well with identity initial poses. Although our approach is simple, we show that it performs favorably against existing handcrafted and learned synchronization methods through experiments on both SO(3) and SE(3) synchronization.
• Abstract（参考訳）: 変換同期は、与えられた対関係運動の集合から絶対変換を回復する問題である。 その有用性にもかかわらず、ノイズや外向きの相対運動の影響や、解析的にモデル化し、高い忠実度で抑制することの難しさにより、この問題は依然として困難である。 本研究では,ロバストな損失関数を手作りすることを避け,グラフニューラルネットワーク(gnns)を用いて変換同期を学習する方法を提案する。 複雑なマルチステージパイプラインを使用する以前の作業とは異なり、各ステップは、接空間におけるインクリメンタルな更新を予測することによって、前回のイテレーションからの絶対的なステップを洗練する、単一の重み共有メッセージパッシング層で構成される反復的アプローチを採用している。 外れ値の影響を減らすために、メッセージは集約の前に重み付けされる。 我々の反復的アプローチは明示的な初期化ステップの必要性を軽減し、アイデンティティの初期ポーズとうまく機能する。 提案手法は単純ではあるが,SO(3) と SE(3) の同時同期実験により,既存の手工・学習同期手法に対して良好に動作することを示す。

関連論文リスト

• Asynchronous Stochastic Gradient Descent with Decoupled Backpropagation and Layer-Wise Updates [1.9241821314180372]
  バックプロパゲーションの大きな欠点の1つは、アルゴリズムの前方フェーズと後方フェーズの間のインターロックである。 本稿では,複数のスレッドから非同期に更新することで,モデルのレイヤ間でSGD更新を並列化する手法を提案する。 このアプローチは、Hongwild!よりも最大2.97倍高速で複数のデバイスでスケールしながら、最先端の結果に近い結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-10-08T12:32:36Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Symmetrical SyncMap for Imbalanced General Chunking Problems [11.26120401279973]
  本研究では, 長期にわたって安定な動的方程式と引力・引力点の創出法を示す。 主な考え方は、対称的なアクティベーションによって負のフィードバックループと正のフィードバックループから等しく更新することである。 我々のアルゴリズムは、12の非バランスなCGCPにおいて、他の教師なしの最先端のベースラインを超越または結び付ける。
  論文  参考訳（メタデータ） (2023-10-16T04:03:36Z)
• Shuffled Autoregression For Motion Interpolation [53.61556200049156]
  この作業は、モーションタスクのためのディープラーニングソリューションを提供することを目的としている。 本稿では,自己回帰を任意の(シャッフルされた)順序で生成するために拡張する,emphShuffled AutoRegressionと呼ばれる新しいフレームワークを提案する。 また,3つのステージを終端から終端の時空間運動変換器に組み込んだ依存グラフの構築手法を提案する。
  論文  参考訳（メタデータ） (2023-06-10T07:14:59Z)
• Intensity Profile Projection: A Framework for Continuous-Time Representation Learning for Dynamic Networks [50.2033914945157]
  本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。 このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。 さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T15:38:25Z)
• Rotation Synchronization via Deep Matrix Factorization [24.153207403324917]
  ニューラルネットワークによる回転同期の定式化に着目する。 ディープ・マトリックス・コンプリートにインスパイアされた我々は、ディープ・ニューラルネットワークによる行列分解という観点から回転同期を表現した。 我々の定式化は暗黙の正規化特性を示し、さらに重要なことは教師なしである。
  論文  参考訳（メタデータ） (2023-05-09T08:46:05Z)
• Pose Uncertainty Aware Movement Synchrony Estimation via Spatial-Temporal Graph Transformer [7.053333608725945]
  運動同期は、相互作用するダイアド間の身体の動きの協調を反映する。 本稿では,移動同期推定のための骨格型グラフ変換器を提案する。 我々の手法は全体の88.98%の精度を達成し、その差を大きく上回った。
  論文  参考訳（メタデータ） (2022-08-01T22:35:32Z)
• Stable and memory-efficient image recovery using monotone operator learning (MOL) [24.975981795360845]
  画像における大規模逆問題に対するモノトン深部平衡学習フレームワークを提案する。 提案アルゴリズムは、各反復は、スコア関数を含む勾配降下と、データの一貫性を促進する共役勾配アルゴリズムからなる前方後方分割に依存する。 実験により,提案手法は入力摂動の有無で安定でありながら,3次元設定における性能向上を図っている。
  論文  参考訳（メタデータ） (2022-06-06T21:56:11Z)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)
• On the Robustness of Multi-View Rotation Averaging [77.09542018140823]
  解法に$epsilon$-cycle整合項を導入する。 重み低減による誤測定の負の効果を暗黙的に抑制する。 実験の結果,提案手法は様々なベンチマークで芸術の状況よりも優れていた。
  論文  参考訳（メタデータ） (2021-02-09T05:47:37Z)

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。