論文の概要: OG-SGG: Ontology-Guided Scene Graph Generation. A Case Study in Transfer
Learning for Telepresence Robotics
- arxiv url: http://arxiv.org/abs/2202.10201v1
- Date: Mon, 21 Feb 2022 13:23:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-23 10:26:00.712661
- Title: OG-SGG: Ontology-Guided Scene Graph Generation. A Case Study in Transfer
Learning for Telepresence Robotics
- Title(参考訳): OG-SGG:オントロジーガイドによるシーングラフ生成
テレプレゼンスロボットにおけるトランスファー学習の事例研究
- Authors: Fernando Amodeo, Fernando Caballero, Natalia D\'iaz-Rodr\'iguez, Luis
Merino
- Abstract要約: 画像からのシーングラフ生成は、ロボット工学のようなアプリケーションに非常に関心を持つタスクである。
オントロジー誘導シーングラフ生成(OG-SGG)と呼ばれるフレームワークの初期近似を提案する。
- 参考スコア(独自算出の注目度): 124.08684545010664
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Scene graph generation from images is a task of great interest to
applications such as robotics, because graphs are the main way to represent
knowledge about the world and regulate human-robot interactions in tasks such
as Visual Question Answering (VQA). Unfortunately, its corresponding area of
machine learning is still relatively in its infancy, and the solutions
currently offered do not specialize well in concrete usage scenarios.
Specifically, they do not take existing "expert" knowledge about the domain
world into account; and that might indeed be necessary in order to provide the
level of reliability demanded by the use case scenarios. In this paper, we
propose an initial approximation to a framework called Ontology-Guided Scene
Graph Generation (OG-SGG), that can improve the performance of an existing
machine learning based scene graph generator using prior knowledge supplied in
the form of an ontology; and we present results evaluated on a specific
scenario founded in telepresence robotics.
- Abstract(参考訳): 画像からのシーングラフ生成は、世界に関する知識を表現し、視覚質問応答(vqa)のようなタスクで人間とロボットのインタラクションを規制するための主要な方法であるため、ロボティクスのようなアプリケーションにとって非常に興味深いタスクである。
残念なことに、機械学習の対応する領域はまだ初期段階であり、現在提供されているソリューションは具体的な利用シナリオにはあまり特化していない。
具体的には、ドメインの世界に関する既存の"専門家"の知識を考慮に入れておらず、ユースケースのシナリオによって要求される信頼性のレベルを提供するためには、実際にそれが必要であるかもしれません。
本稿では,オントロジー型シーングラフ生成(og-sgg)と呼ばれるフレームワークの初期近似を提案し,既存の機械学習ベースのシーングラフ生成器の性能をオントロジーの形で提供した事前知識を用いて向上させる手法を提案する。
関連論文リスト
- Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。
私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
論文 参考訳(メタデータ) (2024-07-22T12:32:09Z) - Graph learning in robotics: a survey [2.5726566614123874]
この記事では、アーキテクチャ、トレーニング手順、アプリケーションなど、グラフベースのモデルの基礎について述べる。
また、適用された設定で発生する最近の進歩と課題についても論じている。
本論文は,グラフ構造学習の恩恵を受ける様々なロボット応用の広範なレビューを提供する。
論文 参考訳(メタデータ) (2023-10-06T14:52:25Z) - SG-Bot: Object Rearrangement via Coarse-to-Fine Robotic Imagination on Scene Graphs [81.15889805560333]
本稿では,新しいアレンジメントフレームワークであるSG-Botを紹介する。
SG-Botは軽量でリアルタイムでユーザ制御可能な特性を実証する。
実験の結果、SG-Botはライバルよりも大きなマージンで優れていることが示された。
論文 参考訳(メタデータ) (2023-09-21T15:54:33Z) - A Survey on Graph Neural Networks and Graph Transformers in Computer Vision: A Task-Oriented Perspective [71.03621840455754]
グラフニューラルネットワーク(GNN)はグラフ表現学習において勢いを増している。
Graph Transformerは、グラフ構造をTransformerアーキテクチャに組み込んで、局所的な近傍集約の制限を克服します。
本稿では,タスク指向の観点から,コンピュータビジョンにおけるGNNとグラフトランスフォーマーの総合的なレビューを行う。
論文 参考訳(メタデータ) (2022-09-27T08:10:14Z) - Can Foundation Models Perform Zero-Shot Task Specification For Robot
Manipulation? [54.442692221567796]
タスク仕様は、熟練していないエンドユーザの関与とパーソナライズされたロボットの採用に不可欠である。
タスク仕様に対する広く研究されているアプローチは、目標を通じて、コンパクトな状態ベクトルまたは同じロボットシーンのゴールイメージを使用することである。
そこで本研究では,人間の指定や使用が容易な目標仕様の代替的,より汎用的な形式について検討する。
論文 参考訳(メタデータ) (2022-04-23T19:39:49Z) - Situational Graphs for Robot Navigation in Structured Indoor
Environments [9.13466172688693]
環境を表す1つのグラフからなるリアルタイムオンライン構築状況グラフ(S-Graphs)を提示する。
本手法は3次元LiDARスキャンから抽出した計測値と平面面を用いて3層Sグラフをリアルタイムに構築・最適化する。
提案手法は,ロボットのポーズ推定の最先端結果を示すだけでなく,環境の計量意味・トポロジーモデルにも寄与する。
論文 参考訳(メタデータ) (2022-02-24T16:59:06Z) - Automated Graph Machine Learning: Approaches, Libraries, Benchmarks and Directions [58.220137936626315]
本稿では,グラフ機械学習の自動手法について論じる。
当社の専用かつ世界初のグラフ機械学習のためのオープンソースライブラリであるAutoGLを紹介します。
また、統一的で再現性があり、効率的な評価をサポートする調整されたベンチマークについて述べる。
論文 参考訳(メタデータ) (2022-01-04T18:31:31Z) - An energy-based model for neuro-symbolic reasoning on knowledge graphs [0.0]
産業自動化システムを特徴付けるためのエネルギーベースのグラフ埋め込みアルゴリズムを提案する。
複数のドメインからの知識を組み合わせることで、学習モデルはコンテキスト対応の予測を行うことができる。
提示されたモデルは、生物学的にインスパイアされたニューラルアーキテクチャにマッピング可能であり、グラフ埋め込み法とニューロモルフィックコンピューティングの間の最初のブリッジとして機能する。
論文 参考訳(メタデータ) (2021-10-04T18:02:36Z) - Graph Neural Networks: Methods, Applications, and Opportunities [1.2183405753834562]
本稿では,各学習環境におけるグラフニューラルネットワーク(GNN)の包括的調査について報告する。
各学習課題に対するアプローチは、理論的および経験的視点の両方から分析される。
さまざまなアプリケーションやベンチマークデータセットも提供されており、GNNの一般適用性に疑問が残るオープンな課題もある。
論文 参考訳(メタデータ) (2021-08-24T13:46:19Z)
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。