論文の概要: Transfer Learning for Estimation of Pendubot Angular Position Using Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2201.12649v2
• Date: Fri, 19 May 2023 11:09:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-22 20:11:18.681196
• Title: Transfer Learning for Estimation of Pendubot Angular Position Using Deep Neural Networks
• Title（参考訳）: 深層ニューラルネットワークを用いた振り子角位置推定のための転送学習
• Authors: Sina Khanagha
• Abstract要約: 撮像画像からペンデュボット角位置を推定するために、機械学習に基づくアプローチが導入された。 この課題に対処するために、ディープニューラルネットワークベースのアルゴリズムが導入された。 提案手法は,シャープ画像とぼやけた画像に対して,それぞれ0.02度と0.06度の平均的な絶対誤差を実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, a machine learning based approach is introduced to estimate pendubot angular position from its captured images. Initially, a baseline algorithm is introduced to estimate the angle using conventional image processing techniques. The baseline algorithm performs well for the cases that the pendubot is not moving fast. However, when moving quickly due to a free fall, the pendubot appears as a blurred object in the captured image in a way that the baseline algorithm fails to estimate the angle. Consequently, a Deep Neural Network (DNN) based algorithm is introduced to cope with this challenge. The approach relies on the concept of transfer learning to allow the training of the DNN on a very small fine-tuning dataset. The base algorithm is used to create the ground truth labels of the fine-tuning dataset. Experimental results on the held-out evaluation set show that the proposed approach achieves a median absolute error of 0.02 and 0.06 degrees for the sharp and blurry images respectively.
• Abstract（参考訳）: 本稿では, 撮像画像からペンデュボット角位置を推定するために, 機械学習に基づくアプローチを提案する。 まず、従来の画像処理手法を用いて角度を推定するためにベースラインアルゴリズムを導入する。 ベースラインアルゴリズムは、pendubotが高速でない場合にうまく機能する。 しかし、自由落下によって素早く移動すると、pendubotは、ベースラインアルゴリズムが角度を推定できないように、キャプチャされた画像のぼやけたオブジェクトとして現れる。 その結果、この課題に対処するために、ディープニューラルネットワーク(DNN)ベースのアルゴリズムが導入された。 このアプローチは、非常に小さな微調整データセット上でDNNのトレーニングを可能にするために、転送学習の概念に依存している。 基本アルゴリズムは、微調整データセットの基底真理ラベルを作成するために使用される。 ホールドアウト評価セットにおける実験結果から,提案手法はシャープ画像とぼやけた画像に対して0.02度と0.06度という中央値の絶対誤差をそれぞれ達成できることがわかった。

関連論文リスト

• Deep Richardson-Lucy Deconvolution for Low-Light Image Deblurring [48.80983873199214]
  我々は,飽和画素を学習潜時マップでモデル化するデータ駆動型手法を開発した。 新しいモデルに基づいて、非盲検除色タスクを最大後部(MAP)問題に定式化することができる。 増幅されたアーティファクトを使わずに高品質な劣化画像を推定するために,我々は事前推定ネットワークを構築した。
  論文  参考訳（メタデータ） (2023-08-10T12:53:30Z)
• Precise localization of corneal reflections in eye images using deep learning trained on synthetic data [9.150553995510217]
  眼球画像中の1つの角膜反射(CR)の中心を正確に位置決めする深層学習法を提案する。 我々は、シミュレーションデータのみを用いてトレーニングされた畳み込みニューラルネットワーク(CNN)を使用している。 提案手法はCR中心位置決めの高精度な手法を提供し,データ可用性問題に対する解決策を提供する。
  論文  参考訳（メタデータ） (2023-04-12T07:49:21Z)
• Deep Dynamic Scene Deblurring from Optical Flow [53.625999196063574]
  汚れは視覚的により快適な写真を提供し、写真がより便利になる。 非均一な曖昧さを数学的にモデル化することは困難である。 我々は,難解な特徴から鮮明な画像を復元する畳み込みニューラルネットワーク(CNN)を開発した。
  論文  参考訳（メタデータ） (2023-01-18T06:37:21Z)
• Neural Maximum A Posteriori Estimation on Unpaired Data for Motion Deblurring [87.97330195531029]
  本稿では、ニューラルネットワークをトレーニングし、失明したデータから視覚情報や鋭いコンテンツを復元するためのニューラルネットワークの最大Aポストエリオリ(NeurMAP)推定フレームワークを提案する。 提案されたNeurMAPは、既存のデブロアリングニューラルネットワークに対するアプローチであり、未使用データセット上のイメージデブロアリングネットワークのトレーニングを可能にする最初のフレームワークである。
  論文  参考訳（メタデータ） (2022-04-26T08:09:47Z)
• One-Stage Deep Edge Detection Based on Dense-Scale Feature Fusion and Pixel-Level Imbalance Learning [5.370848116287344]
  後処理なしで高品質なエッジ画像を生成することができる一段階ニューラルネットワークモデルを提案する。 提案モデルでは、トレーニング済みのニューラルモデルをエンコーダとして使用する古典的なエンコーダデコーダフレームワークを採用している。 本稿では,エッジ画像の画素レベルの不均衡に対処する新たな損失関数を提案する。
  論文  参考訳（メタデータ） (2022-03-17T15:26:00Z)
• Scale Normalized Image Pyramids with AutoFocus for Object Detection [75.71320993452372]
  スケール正規化画像ピラミッド(SNIP)が生成され、人間の視覚と同様に、異なるスケールで固定されたサイズ範囲内のオブジェクトにのみ参加する。 本研究では,オブジェクトを含む可能性のある固定サイズのサブリージョンのみで動作する,効率的な空間サブサンプリング手法を提案する。 結果のアルゴリズムはAutoFocusと呼ばれ、SNIPを使用する場合の推論では2.5～5倍のスピードアップとなる。
  論文  参考訳（メタデータ） (2021-02-10T18:57:53Z)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• Lightweight Convolutional Neural Network with Gaussian-based Grasping Representation for Robotic Grasping Detection [4.683939045230724]
  現在の物体検出器は、高い精度と高速な推論速度のバランスを取るのが難しい。 ロボットつかみポーズ推定を行うための効率的かつ堅牢な完全畳み込みニューラルネットワークモデルを提案する。 ネットワークは、他の優れたアルゴリズムよりも桁違いに小さい順序です。
  論文  参考訳（メタデータ） (2021-01-25T16:36:53Z)
• Adaptive LiDAR Sampling and Depth Completion using Ensemble Variance [12.633386045916444]
  本研究は, 画像データの有無に関わらず, 所定の限られた画素数の深さをアルゴリズムが測定できるという, 深度完備化の問題について考察する。 アルゴリズム上の課題は、画素位置を戦略的かつ動的に選択し、全体の深さ推定誤差を最大に削減することである。 この設定は、プログラム可能なLiDARを備えた自動運転車の昼間または夜間の深度完了時に実現される。
  論文  参考訳（メタデータ） (2020-07-27T19:54:42Z)
• A Lightweight Neural Network for Monocular View Generation with Occlusion Handling [46.74874316127603]
  1枚の画像からビュー合成を行うステレオデータペアに基づいて訓練された,非常に軽量なニューラルネットワークアーキテクチャを提案する。 この作業は、挑戦的なKITTIデータセットにおいて、視覚的および計量的に最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-07-24T15:29:01Z)
• Self-Supervised Linear Motion Deblurring [112.75317069916579]
  深層畳み込みニューラルネットワークは、画像の劣化の最先端技術である。 本稿では,自己監督型動作遅延に対する識別可能なreblurモデルを提案する。 我々の実験は、自己監督された単一画像の劣化が本当に実現可能であることを実証した。
  論文  参考訳（メタデータ） (2020-02-10T20:15:21Z)

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。