論文の概要: Flexible Networks for Learning Physical Dynamics of Deformable Objects
- arxiv url: http://arxiv.org/abs/2112.03728v1
- Date: Tue, 7 Dec 2021 14:34:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-08 19:17:18.819065
- Title: Flexible Networks for Learning Physical Dynamics of Deformable Objects
- Title（参考訳）: 変形物体の物理力学学習のためのフレキシブルネットワーク
- Authors: Jinhyung Park, DoHae Lee, In-Kwon Lee
- Abstract要約: 本稿では, 粒子ベース表現を用いた変形可能な物体の将来の状態を推定するために, 時間的ポイントネット (TP-Net) というモデルを提案する。
TP-Netは、並列に設定された各入力ポイントからグローバルな特徴を抽出する共有特徴抽出器と、これらの特徴を集約して将来の予測を行う予測ネットワークから構成される。
実験により,我々のモデルは,リアルタイム予測速度で,合成データセットと実世界のデータセットの両方で最先端の性能を達成できることが実証された。
- 参考スコア（独自算出の注目度）: 2.567499374977917
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning the physical dynamics of deformable objects with particle-based
representation has been the objective of many computational models in machine
learning. While several state-of-the-art models have achieved this objective in
simulated environments, most existing models impose a precondition, such that
the input is a sequence of ordered point sets - i.e., the order of the points
in each point set must be the same across the entire input sequence. This
restrains the model to generalize to real-world data, which is considered to be
a sequence of unordered point sets. In this paper, we propose a model named
time-wise PointNet (TP-Net) that solves this problem by directly consuming a
sequence of unordered point sets to infer the future state of a deformable
object with particle-based representation. Our model consists of a shared
feature extractor that extracts global features from each input point set in
parallel and a prediction network that aggregates and reasons on these features
for future prediction. The key concept of our approach is that we use global
features rather than local features to achieve invariance to input permutations
and ensure the stability and scalability of our model. Experiments demonstrate
that our model achieves state-of-the-art performance in both synthetic dataset
and in real-world dataset, with real-time prediction speed. We provide
quantitative and qualitative analysis on why our approach is more effective and
efficient than existing approaches.
- Abstract（参考訳）: 変形可能な物体の物理的ダイナミクスを粒子ベースの表現で学ぶことは、機械学習における多くの計算モデルの目的である。
いくつかの最先端モデルがこの目的をシミュレートされた環境で達成しているが、既存のほとんどのモデルは、入力が順序付けられた点集合の列である、すなわち各点集合内の点の順序が入力列全体にわたって同じでなければならない、という前提条件を課している。
これは、無秩序な点集合の列であると考えられる実世界のデータへの一般化を抑える。
本稿では,不規則な点集合の列を直接消費し,変形可能な物体の将来の状態を粒子ベース表現で推測することにより,その問題を解決するための時間的ポイントネット(TP-Net)モデルを提案する。
提案モデルは,並列に設定された各入力点からグローバルな特徴を抽出する共有特徴抽出器と,これらの特徴を集約して将来の予測を行う予測ネットワークとから構成される。
このアプローチの鍵となる概念は、局所的な特徴よりもグローバルな特徴を用いて、入力の置換の不変性を達成し、モデルの安定性とスケーラビリティを確保することである。
実験により,合成データセットと実世界のデータセットの両方において,実時間予測速度で最先端の性能を実現することを実証した。
既存のアプローチよりも,アプローチが効率的かつ効率的である理由について,定量的かつ定性的な分析を行う。
関連論文リスト
- Slot Structured World Models [0.0]
最先端のアプローチでは、フィードフォワードエンコーダを使用して、オブジェクトの埋め込みを抽出し、潜在グラフニューラルネットワークを使用して、オブジェクトの埋め込み間の相互作用をモデル化する。
Slot Structured World Models (SSWM)は、オブジェクト中心のエンコーダと潜在グラフベースの動的モデルを組み合わせた世界モデルのクラスである。
論文 参考訳（メタデータ） (2024-01-08T21:19:30Z) - Probabilistic Modeling for Sequences of Sets in Continuous-Time [14.423456635520084]
設定値データを連続的にモデリングするための一般的なフレームワークを開発する。
また,そのようなモデルを用いて確率的クエリに答える推論手法も開発している。
論文 参考訳（メタデータ） (2023-12-22T20:16:10Z) - Appearance-Based Refinement for Object-Centric Motion Segmentation [85.2426540999329]
本稿では,ビデオストリームの時間的一貫性を利用して,不正確なフローベース提案を補正する外観に基づく改善手法を提案する。
提案手法では,高精度なフロー予測マスクを模範として,シーケンスレベルの選択機構を用いる。
パフォーマンスは、DAVIS、YouTube、SegTrackv2、FBMS-59など、複数のビデオセグメンテーションベンチマークで評価されている。
論文 参考訳（メタデータ） (2023-12-18T18:59:51Z) - STDepthFormer: Predicting Spatio-temporal Depth from Video with a
Self-supervised Transformer Model [0.0]
ビデオ入力と空間的時間的注意ネットワークから,映像のフレーム列を同時に予測する自己教師型モデルを提案する。
提案モデルでは,物体形状やテクスチャなどの事前のシーン知識を,単一画像深度推定法に類似した手法で活用する。
マルチオブジェクト検出、セグメンテーション、トラッキングを含む複雑なモデルを必要とするのではなく、暗黙的にシーン内のオブジェクトの動きを予測することができる。
論文 参考訳（メタデータ） (2023-03-02T12:22:51Z) - Dynamic Latent Separation for Deep Learning [67.62190501599176]
機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。
本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
論文 参考訳（メタデータ） (2022-10-07T17:56:53Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - KINet: Unsupervised Forward Models for Robotic Pushing Manipulation [8.572983995175909]
キーポイント表現に基づいたオブジェクトインタラクションを推論する、教師なしフレームワークKINetを紹介します。
我々のモデルは、オブジェクトとキーポイント座標を関連付けることを学び、システムのグラフ表現を発見する。
キーポイント空間における物理的推論を学習することにより、我々のモデルは、異なる数のオブジェクトを持つシナリオに自動的に一般化する。
論文 参考訳（メタデータ） (2022-02-18T03:32:08Z) - A Topological-Framework to Improve Analysis of Machine Learning Model
Performance [5.3893373617126565]
本稿では、データセットをモデルが動作する「空間」として扱う機械学習モデルを評価するためのフレームワークを提案する。
本稿では,各サブポピュレーション間でのモデル性能の保存と解析に有用なトポロジカルデータ構造であるプレシーブについて述べる。
論文 参考訳（メタデータ） (2021-07-09T23:11:13Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳（メタデータ） (2021-07-07T11:17:09Z) - Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。
我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。
我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
論文 参考訳（メタデータ） (2021-05-14T06:58:44Z) - Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。
PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
論文 参考訳（メタデータ） (2020-07-07T03:36:28Z)
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。