論文の概要: RADA: Robust Adversarial Data Augmentation for Camera Localization in Challenging Weather

• arxiv url: http://arxiv.org/abs/2112.02469v1
• Date: Sun, 5 Dec 2021 03:49:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-09 10:34:03.610496
• Title: RADA: Robust Adversarial Data Augmentation for Camera Localization in Challenging Weather
• Title（参考訳）: RADA:混在する気象におけるカメラ位置推定のためのロバストな逆データ拡張
• Authors: Jialu Wang, Muhamad Risqi U. Saputra, Chris Xiaoxuan Lu, Niki Trigon, and Andrew Markham
• Abstract要約: ネットワークを混乱させることのできる最小限の画像摂動を学習するシステムであるRADを提案する。 本手法は, 未確認の気象条件において, SOTAの局部化モデルよりも最大2倍高い精度を達成できることを示す。
• 参考スコア（独自算出の注目度）: 21.198320891744366
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Camera localization is a fundamental and crucial problem for many robotic applications. In recent years, using deep-learning for camera-based localization has become a popular research direction. However, they lack robustness to large domain shifts, which can be caused by seasonal or illumination changes between training and testing data sets. Data augmentation is an attractive approach to tackle this problem, as it does not require additional data to be provided. However, existing augmentation methods blindly perturb all pixels and therefore cannot achieve satisfactory performance. To overcome this issue, we proposed RADA, a system whose aim is to concentrate on perturbing the geometrically informative parts of the image. As a result, it learns to generate minimal image perturbations that are still capable of perplexing the network. We show that when these examples are utilized as augmentation, it greatly improves robustness. We show that our method outperforms previous augmentation techniques and achieves up to two times higher accuracy than the SOTA localization models (e.g., AtLoc and MapNet) when tested on `unseen' challenging weather conditions.
• Abstract（参考訳）: カメラのローカライゼーションは多くのロボットアプリケーションにとって基本的で重要な問題である。 近年,カメラを用いたローカライゼーションの深層学習が研究の方向性として注目されている。 しかし、大きなドメインシフトに対する堅牢性は欠如しており、トレーニングデータセットとテストデータセットの間の季節的あるいは照明的変化によって引き起こされる可能性がある。 データ拡張は、追加のデータを必要としないため、この問題に取り組むための魅力的なアプローチです。 しかし、既存の増倍法はすべてのピクセルを盲目的に摂動させるため、良好な性能が得られない。 この問題を克服するため,我々は画像の幾何学的意味のある部分の摂動に集中するシステムradaを提案した。 その結果、ネットワークを混乱させることのできる最小限の画像摂動を生成することを学ぶ。 これらの例を拡張として利用すると,ロバスト性が大幅に向上することを示す。 本手法は従来の拡張手法より優れており, 難易度の高い気象条件下でのSOTAの局部化モデル(例えばAtLocやMapNet)よりも最大2倍高い精度を達成できることを示す。

関連論文リスト

• Semi-Truths: A Large-Scale Dataset of AI-Augmented Images for Evaluating Robustness of AI-Generated Image detectors [62.63467652611788]
  実画像27,600枚、223,400枚、AI拡張画像1,472,700枚を含むSEMI-TRUTHSを紹介する。 それぞれの画像には、検出器のロバスト性の標準化と目標評価のためのメタデータが添付されている。 以上の結果から,現状の検出器は摂動の種類や程度,データ分布,拡張方法に様々な感度を示すことが示唆された。
  論文  参考訳（メタデータ） (2024-11-12T01:17:27Z)
• Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
  本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。 提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。 主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
  論文  参考訳（メタデータ） (2024-07-24T09:11:34Z)
• VICAN: Very Efficient Calibration Algorithm for Large Camera Networks [49.17165360280794]
  ポースグラフ最適化手法を拡張する新しい手法を提案する。 我々は、カメラを含む二部グラフ、オブジェクトの動的進化、各ステップにおけるカメラオブジェクト間の相対変換について考察する。 我々のフレームワークは従来のPGOソルバとの互換性を維持しているが、その有効性はカスタマイズされた最適化方式の恩恵を受けている。
  論文  参考訳（メタデータ） (2024-03-25T17:47:03Z)
• Your Image is My Video: Reshaping the Receptive Field via Image-To-Video Differentiable AutoAugmentation and Fusion [35.88039888482076]
  本稿では,ビデオとして処理可能な画像のバリエーションを生成するために,最初の微分可能拡張探索法(DAS)を提案する。 DASは非常に高速で柔軟性があり、GPUの1日以内で非常に大きな検索スペースを検索できる。 DASを利用して、タスク依存変換を選択することにより、空間受容場の再構成を誘導する。
  論文  参考訳（メタデータ） (2024-03-22T13:27:57Z)
• ShapeAug: Occlusion Augmentation for Event Camera Data [13.634866461329224]
  ダイナミックビジョンセンサ(DVS)のための新しいイベントデータ拡張手法を提案する。 シーン内でランダムに動く物体の合成イベントを紹介する。 提案手法を複数のDVS分類データセットで検証した結果,トップ1精度が最大6.5%向上した。
  論文  参考訳（メタデータ） (2024-01-04T13:49:45Z)
• Local Magnification for Data and Feature Augmentation [53.04028225837681]
  LOMA(Local Magnification)と呼ばれる,実装が容易かつモデルフリーなデータ拡張手法を提案する。 LOMAは、画像の局所領域をランダムに拡大することにより、追加のトレーニングデータを生成する。 実験の結果,提案するLOMAと標準データ拡張を組み合わせることで,画像分類や物体検出の性能を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-11-15T02:51:59Z)
• Exploring the Effects of Data Augmentation for Drivable Area Segmentation [0.0]
  既存の画像データセットを解析することで、データ拡張の利点を調べることに重点を置いている。 以上の結果から,既存技術(SOTA)モデルの性能とロバスト性は劇的に向上する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-08-06T03:39:37Z)
• Towards Model Generalization for Monocular 3D Object Detection [57.25828870799331]
  我々は,Mono3Dオブジェクト検出に有効な統合カメラ一般化パラダイム(CGP)を提案する。 また,インスタンスレベルの拡張によりギャップを埋める2D-3D幾何一貫性オブジェクトスケーリング戦略(GCOS)を提案する。 DGMono3Dと呼ばれる手法は、評価された全てのデータセットに対して顕著な性能を達成し、SoTAの教師なしドメイン適応スキームを上回ります。
  論文  参考訳（メタデータ） (2022-05-23T23:05:07Z)
• LENS: Localization enhanced by NeRF synthesis [3.4386226615580107]
  アルゴリズムのNeRFクラスによって描画された追加の合成データセットにより、カメラポーズの回帰が向上することを示す。 我々はさらに、トレーニング中のデータ拡張として、合成現実的および幾何学的一貫した画像を用いて、ポーズ回帰器の局所化精度を向上した。
  論文  参考訳（メタデータ） (2021-10-13T08:15:08Z)
• KeepAugment: A Simple Information-Preserving Data Augmentation Approach [42.164438736772134]
  本稿では,強調画像の忠実度を高めるために,emphKeepAugmentと呼ばれるシンプルかつ高効率なアプローチを提案する。 このアイデアはまず、元の画像上の重要な領域を検出し、拡張中にこれらの情報的領域を保存するために、サリエンシマップを使用する。 実験により,提案手法は,先行技術データ拡張方式において著しく改善されていることを示す。
  論文  参考訳（メタデータ） (2020-11-23T22:43:04Z)
• Auto-Rectify Network for Unsupervised Indoor Depth Estimation [119.82412041164372]
  ハンドヘルド環境に現れる複雑な自我運動が,学習深度にとって重要な障害であることが確認された。 本稿では,相対回転を除去してトレーニング画像の修正を効果的に行うデータ前処理手法を提案する。 その結果、従来の教師なしSOTA法よりも、難易度の高いNYUv2データセットよりも優れていた。
  論文  参考訳（メタデータ） (2020-06-04T08:59:17Z)

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。