論文の概要: On the sensitivity of pose estimation neural networks: rotation parameterizations, Lipschitz constants, and provable bounds

• arxiv url: http://arxiv.org/abs/2203.09937v1
• Date: Wed, 16 Mar 2022 23:47:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-21 14:12:33.592669
• Title: On the sensitivity of pose estimation neural networks: rotation parameterizations, Lipschitz constants, and provable bounds
• Title（参考訳）: ポーズ推定ニューラルネットワークの感度について:回転パラメータ化、リプシッツ定数、証明可能な境界
• Authors: Trevor Avant, Kristi A. Morgansen
• Abstract要約: 我々は,ネットワークの出力の最大回転変化をユークリッド変化に対して記述する感度尺度を開発した。 この測度はリプシッツ定数の一種であり、ネットワークのユークリッドリプシッツ定数の積によって有界であることを示す。 そして、そのようなネットワークを構築して訓練し、それに対する感度境界を計算する。
• 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 this paper, we approach the task of determining sensitivity bounds for pose estimation neural networks. This task is particularly challenging as it requires characterizing the sensitivity of 3D rotations. We develop a sensitivity measure that describes the maximum rotational change in a network's output with respect to a Euclidean change in its input. We show that this measure is a type of Lipschitz constant, and that it is bounded by the product of a network's Euclidean Lipschitz constant and an intrinsic property of a rotation parameterization which we call the "distance ratio constant". We derive the distance ratio constant for several rotation parameterizations, and then discuss why the structure of most of these parameterizations makes it difficult to construct a pose estimation network with provable sensitivity bounds. However, we show that sensitivity bounds can be computed for networks which parameterize rotation using unconstrained exponential coordinates. We then construct and train such a network and compute sensitivity bounds for it.
• Abstract（参考訳）: 本稿では,ポーズ推定ニューラルネットワークの感度境界を決定するタスクにアプローチする。 この課題は特に困難であり、3次元回転の感度を特徴付ける必要がある。 本研究では,入力のユークリッド変化に対するネットワーク出力の最大回転変化を記述する感度尺度を開発した。 この測度は、リプシッツ定数の一種であり、ネットワークのユークリッドリプシッツ定数の積と、我々が「距離比定数」と呼ぶ回転パラメータ化の本質的性質によって有界であることを示す。 本稿では,複数の回転パラメータ化に対する距離比定数を導出し,これらのパラメータ化のほとんどの構造が,感度境界が証明可能なポーズ推定ネットワークの構築を困難にする理由について考察する。 しかし,非拘束指数座標を用いて回転をパラメータ化するネットワークに対して,感度境界を計算できることを示した。 そして、そのようなネットワークを構築し、トレーニングし、その感度境界を計算する。

関連論文リスト

• Verification of Geometric Robustness of Neural Networks via Piecewise Linear Approximation and Lipschitz Optimisation [57.10353686244835]
  我々は、回転、スケーリング、せん断、翻訳を含む入力画像の幾何学的変換に対するニューラルネットワークの検証の問題に対処する。 提案手法は, 分枝・分枝リプシッツと組み合わせたサンプリングおよび線形近似を用いて, 画素値に対する楽音線形制約を求める。 提案手法では,既存の手法よりも最大32%の検証ケースが解決されている。
  論文  参考訳（メタデータ） (2024-08-23T15:02:09Z)
• Geometry-induced Implicit Regularization in Deep ReLU Neural Networks [0.0]
  暗黙の正則化現象は、まだよく理解されていないが、最適化中に起こる。 パラメータの異なる出力集合の幾何について検討する。 バッチ関数次元は隠蔽層内の活性化パターンによってほぼ確実に決定されることを示す。
  論文  参考訳（メタデータ） (2024-02-13T07:49:57Z)
• Soft Matching Distance: A metric on neural representations that captures single-neuron tuning [6.5714523708869566]
  ニューラル表現(dis)相似性の共通測度は、ニューラルアクティベーション空間の回転や反射に敏感であるように設計されている。 異なる大きさのネットワーク間の距離を測定するための新しい指標を提案する。
  論文  参考訳（メタデータ） (2023-11-16T00:13:00Z)
• CRIN: Rotation-Invariant Point Cloud Analysis and Rotation Estimation via Centrifugal Reference Frame [60.24797081117877]
  CRIN,すなわち遠心回転不変ネットワークを提案する。 CRINは点の座標を直接入力として取り、局所点を回転不変表現に変換する。 点に基づく3次元回転の連続分布を導入する。
  論文  参考訳（メタデータ） (2023-03-06T13:14:10Z)
• Differentiable Uncalibrated Imaging [25.67247660827913]
  本稿では,センサ位置や投影角などの測定座標の不確実性に対処する,識別可能なイメージングフレームワークを提案する。 入力座標に対して自然に微分可能な暗黙のニューラルネットワーク、別名ニューラルフィールドを適用する。 測定表現を協調的に適合させ、不確実な測定座標を最適化し、一貫したキャリブレーションを保証する画像再構成を行うため、微分性は鍵となる。
  論文  参考訳（メタデータ） (2022-11-18T22:48:09Z)
• Learning Smooth Neural Functions via Lipschitz Regularization [92.42667575719048]
  ニューラルフィールドにおけるスムーズな潜伏空間を促進するために設計された新しい正規化を導入する。 従来のリプシッツ正規化ネットワークと比較して、我々のアルゴリズムは高速で、4行のコードで実装できる。
  論文  参考訳（メタデータ） (2022-02-16T21:24:54Z)
• Training Certifiably Robust Neural Networks with Efficient Local Lipschitz Bounds [99.23098204458336]
  認証された堅牢性は、安全クリティカルなアプリケーションにおいて、ディープニューラルネットワークにとって望ましい性質である。 提案手法は,MNISTおよびTinyNetデータセットにおける最先端の手法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-02T06:44:10Z)
• Robust Implicit Networks via Non-Euclidean Contractions [63.91638306025768]
  暗黙のニューラルネットワークは、精度の向上とメモリ消費の大幅な削減を示す。 彼らは不利な姿勢と収束の不安定さに悩まされる。 本論文は,ニューラルネットワークを高機能かつ頑健に設計するための新しい枠組みを提供する。
  論文  参考訳（メタデータ） (2021-06-06T18:05:02Z)
• Learning High-Precision Bounding Box for Rotated Object Detection via Kullback-Leibler Divergence [100.6913091147422]
  既存の回転物体検出器は、主に水平検出パラダイムから受け継がれている。 本稿では,回転回帰損失の設計を帰納パラダイムから導出手法に変更することを目的としている。
  論文  参考訳（メタデータ） (2021-06-03T14:29:19Z)
• Relevance of Rotationally Equivariant Convolutions for Predicting Molecular Properties [2.4342039412988097]
  等価ニューラルネットワーク(ENN)は、$mathbbR3$に埋め込まれたグラフニューラルネットワークであり、分子特性の予測に適している。 本報告では, 分子特性予測のための角依存性を含めることの実用的価値を, texttte3nn と QM9 データセットを用いたアブレーション研究により検討する。
  論文  参考訳（メタデータ） (2020-08-19T14:07:36Z)
• Quantum sensing networks for the estimation of linear functions [0.0]
  センサ間相関は、複数の線形関数の同時推定に使用される。 絡み合いは、非自明なグローバルな性質を推定するのに有害であることを示す。 この結果は,量子センサのネットワークにおける相関性を利用するための基礎となる。
  論文  参考訳（メタデータ） (2020-03-10T17:28:28Z)

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。