論文の概要: Tune your Place Recognition: Self-Supervised Domain Calibration via Robust SLAM

• arxiv url: http://arxiv.org/abs/2203.04446v1
• Date: Tue, 8 Mar 2022 23:35:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-10 16:13:35.676658
• Title: Tune your Place Recognition: Self-Supervised Domain Calibration via Robust SLAM
• Title（参考訳）: 位置認識をチューニングする - Robust SLAMによる自己監督型ドメインキャリブレーション
• Authors: Pierre-Yves Lajoie and Giovanni Beltrame
• Abstract要約: SLAMからのロバストポーズグラフ推定に基づく自己教師付きドメインキャリブレーション手法を提案する。 本研究では,本手法により,トレーニングセットと異なるターゲット環境における最先端技術の性能を向上させることができることを示す。
• 参考スコア（独自算出の注目度）: 9.374695605941627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual place recognition techniques based on deep learning, which have imposed themselves as the state-of-the-art in recent years, do not always generalize well to environments that are visually different from the training set. Thus, to achieve top performance, it is sometimes necessary to fine-tune the networks to the target environment. To this end, we propose a completely self-supervised domain calibration procedure based on robust pose graph estimation from Simultaneous Localization and Mapping (SLAM) as the supervision signal without requiring GPS or manual labeling. We first show that the training samples produced by our technique are sufficient to train a visual place recognition system from a pre-trained classification model. Then, we show that our approach can improve the performance of a state-of-the-art technique on a target environment dissimilar from the training set. We believe that this approach will help practitioners to deploy more robust place recognition solutions in real-world applications.
• Abstract（参考訳）: 近年、最先端技術として自らを課している深層学習に基づく視覚位置認識技術は、トレーニングセットと視覚的に異なる環境に常によく一般化するわけではない。 したがって、トップパフォーマンスを達成するためには、ネットワークをターゲット環境に微調整する必要がある。 そこで本研究では,GPSや手動ラベリングを必要とせずに,同時局所化マッピング(SLAM)から頑健なポーズグラフ推定に基づく,完全に自己監督されたドメインキャリブレーション手法を提案する。 まず,本手法を用いて作成したトレーニングサンプルを用いて,事前学習した分類モデルから視覚的位置認識システムの訓練を行う。 そして,本手法は,トレーニングセットと異なるターゲット環境における最先端技術の性能を向上させることができることを示す。 このアプローチは、実践者が現実世界のアプリケーションでより堅牢な場所認識ソリューションを展開するのに役立つと信じています。

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)
• Towards Seamless Adaptation of Pre-trained Models for Visual Place Recognition [72.35438297011176]
  視覚的位置認識のための事前学習モデル(VPR)のシームレスな適応を実現する新しい手法を提案する。 具体的には、地域を識別するための有意義なランドマークに焦点を当てたグローバルな特徴とローカルな特徴の両方を得るために、ハイブリッド適応法を設計する。 実験結果から,本手法はトレーニングデータやトレーニング時間が少なく,最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-02-22T12:55:01Z)
• Deep face recognition with clustering based domain adaptation [57.29464116557734]
  そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。 本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
  論文  参考訳（メタデータ） (2022-05-27T12:29:11Z)
• Point-Level Region Contrast for Object Detection Pre-Training [147.47349344401806]
  本稿では,物体検出作業のための自己教師付き事前学習手法である点レベル領域コントラストを提案する。 提案手法は,異なる領域から個々の点対を直接抽出することにより,コントラスト学習を行う。 領域ごとの集約表現と比較すると,入力領域の品質の変化に対して,我々のアプローチはより堅牢である。
  論文  参考訳（メタデータ） (2022-02-09T18:56:41Z)
• Align Yourself: Self-supervised Pre-training for Fine-grained Recognition via Saliency Alignment [34.38172454910976]
  Cross-view Saliency Alignment (CVSA)は、画像のサリエンシ領域を新しいビュー生成としてトリミングし、交換し、その後、クロスビューアライメント損失を通じて、前景オブジェクトのローカライズを誘導する、対照的な学習フレームワークである。 4つの一般的な詳細な分類ベンチマークの実験により、CVSAは学習された表現を著しく改善することが示された。
  論文  参考訳（メタデータ） (2021-06-30T02:56:26Z)
• An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
  カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。 正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T02:27:55Z)
• A Bayesian Approach to Reinforcement Learning of Vision-Based Vehicular Control [14.713547378267748]
  自律運転のための最先端の強化学習手法を提案する。 基礎的真理と推定意味セグメンテーション入力の両方を用いてシステムを訓練した。 システムの必要なトレーニング時間は低く、ベンチマークのパフォーマンスは競合するアプローチよりも優れていることが示されています。
  論文  参考訳（メタデータ） (2021-04-08T14:34:57Z)
• Guided Uncertainty-Aware Policy Optimization: Combining Learning and Model-Based Strategies for Sample-Efficient Policy Learning [75.56839075060819]
  従来のロボットのアプローチは、環境の正確なモデル、タスクの実行方法の詳細な説明、現在の状態を追跡するための堅牢な認識システムに依存している。 強化学習アプローチは、タスクを記述するための報酬信号だけで、生の感覚入力から直接操作することができるが、非常にサンプル非効率で脆弱である。 本研究では,ロボットの知覚・運動パイプラインにおける不正確さを克服できる一般的な手法を得るために,モデルに基づく手法の強みと学習に基づく手法の柔軟性を組み合わせる。
  論文  参考訳（メタデータ） (2020-05-21T19:47:05Z)

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。