論文の概要: Probabilistic Rotation Representation With an Efficiently Computable Bingham Loss Function and Its Application to Pose Estimation

• arxiv url: http://arxiv.org/abs/2203.04456v1
• Date: Wed, 9 Mar 2022 00:38:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-10 16:13:23.082074
• Title: Probabilistic Rotation Representation With an Efficiently Computable Bingham Loss Function and Its Application to Pose Estimation
• Title（参考訳）: 効率よく計算可能なビンガム損失関数をもつ確率的回転表現とその詩推定への応用
• Authors: Hiroya Sato, Takuya Ikeda, Koichi Nishiwaki
• Abstract要約: ビンガム分布に対する高速計算可能かつ容易に実装可能な損失関数を提案する。 また、ビンガム分布のパラメトリゼーションだけでなく、損失関数に基づく応用についても検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, a deep learning framework has been widely used for object pose estimation. While quaternion is a common choice for rotation representation of 6D pose, it cannot represent an uncertainty of the observation. In order to handle the uncertainty, Bingham distribution is one promising solution because this has suitable features, such as a smooth representation over SO(3), in addition to the ambiguity representation. However, it requires the complex computation of the normalizing constants. This is the bottleneck of loss computation in training neural networks based on Bingham representation. As such, we propose a fast-computable and easy-to-implement loss function for Bingham distribution. We also show not only to examine the parametrization of Bingham distribution but also an application based on our loss function.
• Abstract（参考訳）: 近年,オブジェクトのポーズ推定にディープラーニングフレームワークが広く用いられている。 四元数は6次元ポーズの回転表現の一般的な選択であるが、観測の不確実性を表すことはできない。 不確実性を扱うために、ビンガム分布は、曖昧性表現に加えて、SO(3) 上の滑らかな表現のような適切な特徴を持つので、有望な解である。 しかし、これは正規化定数の複雑な計算を必要とする。 これは、Bingham表現に基づくニューラルネットワークのトレーニングにおける損失計算のボトルネックである。 そこで,ビンガム分布に対する高速計算可能かつ実装が容易な損失関数を提案する。 また,ビンガム分布のパラメトリゼーションを考察するだけでなく,損失関数に基づく応用も示す。

関連論文リスト

• A Probabilistic Rotation Representation for Symmetric Shapes With an Efficiently Computable Bingham Loss Function [0.0]
  ビンガム分布に対して高速に計算可能で実装が容易なNLL損失関数を導入する。 損失関数は対象物の対称特性を点雲から捉えることができる。
  論文  参考訳（メタデータ） (2023-05-30T11:26:18Z)
• Towards Robust Probabilistic Modeling on SO(3) via Rotation Laplace Distribution [32.26083557492705]
  単一のRGB画像から3DoF回転を推定することは難しい問題である。 本稿では,SO(3)上の新しい回転ラプラス分布を提案する。 我々の手法は、異常値の乱れに対して堅牢であり、改善可能な低エラー領域への多くの勾配を強制する。
  論文  参考訳（メタデータ） (2023-05-17T12:31:48Z)
• Promises and Pitfalls of the Linearized Laplace in Bayesian Optimization [73.80101701431103]
  線形化ラプラス近似(LLA)はベイズニューラルネットワークの構築に有効で効率的であることが示されている。 ベイズ最適化におけるLLAの有用性について検討し,その性能と柔軟性を強調した。
  論文  参考訳（メタデータ） (2023-04-17T14:23:43Z)
• Robust Outlier Rejection for 3D Registration with Variational Bayes [70.98659381852787]
  我々は、ロバストアライメントのための新しい変分非局所ネットワークベース外乱除去フレームワークを開発した。 そこで本稿では, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタリングする。
  論文  参考訳（メタデータ） (2023-04-04T03:48:56Z)
• A Laplace-inspired Distribution on SO(3) for Probabilistic Rotation Estimation [35.242645262982045]
  単一のRGB画像から3DoF回転を推定することは重要な問題である。 我々はSO(3)上の回転ラプラス分布を提案する。 実験の結果,提案手法は回転回帰タスクの最先端性能を実現することができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T07:10:02Z)
• Robust Estimation for Nonparametric Families via Generative Adversarial Networks [92.64483100338724]
  我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。 我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。 技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
  論文  参考訳（メタデータ） (2022-02-02T20:11:33Z)
• Implicit-PDF: Non-Parametric Representation of Probability Distributions on the Rotation Manifold [47.31074799708132]
  我々はSO(3)上の任意の非パラメトリック分布を推定する手法を提案する。 私たちのキーとなるアイデアは、入力画像と候補ポーズの確率を推定するニューラルネットワークで、分布を暗黙的に表現することです。 我々はPascal3D+とModelNet10-SO(3)ベンチマークの最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-06-10T17:57:23Z)
• Deep Bingham Networks: Dealing with Uncertainty and Ambiguity in Pose Estimation [74.76155168705975]
  Deep Bingham Networks (DBN)は、3Dデータに関するほぼすべての実生活アプリケーションで発生するポーズ関連の不確実性と曖昧性を扱うことができる。 DBNは、(i)異なる分布モードを生成できる多仮説予測ヘッドにより、アートダイレクトポーズ回帰ネットワークの状態を拡張する。 トレーニング中のモードや後方崩壊を回避し,数値安定性を向上させるための新しいトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-20T19:20:26Z)
• Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
  スパースサンプリングされた場所のみの機能を計算することを提案する。 次に、効率的な手順で特徴写像を密に再構築する。 提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
  論文  参考訳（メタデータ） (2020-03-19T15:36:31Z)
• Semiparametric Nonlinear Bipartite Graph Representation Learning with Provable Guarantees [106.91654068632882]
  半パラメトリック指数族分布におけるパラメータの統計的推定問題として、両部グラフを考察し、その表現学習問題を定式化する。 提案手法は, 地中真理付近で強い凸性を示すため, 勾配降下法が線形収束率を達成できることを示す。 我々の推定器は指数族内の任意のモデル誤特定に対して頑健であり、広範な実験で検証されている。
  論文  参考訳（メタデータ） (2020-03-02T16:40:36Z)

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。