論文の概要: IMOT: General-Purpose, Fast and Robust Estimation for Spatial Perception Problems with Outliers

• arxiv url: http://arxiv.org/abs/2204.01324v1
• Date: Mon, 4 Apr 2022 08:57:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-06 00:44:51.740774
• Title: IMOT: General-Purpose, Fast and Robust Estimation for Spatial Perception Problems with Outliers
• Title（参考訳）: IMOT:外乱を考慮した空間知覚問題に対する汎用的,高速,ロバストな評価
• Authors: Lei Sun
• Abstract要約: 我々は,新しい汎用ロバスト推定器IMOT(Iterative Multi-layered Otsu's Thresholding)を提案する。 我々は, 回転平均化, 回転探索, 点雲登録, カテゴリーレベル登録, SLAMの5つの異なる空間認識問題に対して, 頑健な推定器IMOTを検証した。
• 参考スコア（独自算出の注目度）: 5.273254350665794
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Spatial perception problems are the fundamental building blocks of robotics and computer vision. However, in many real-world situations, they inevitably suffer from the issue of outliers, which hinders traditional solvers from making correct estimates. In this paper, we present a novel, general-purpose robust estimator IMOT (Iterative Multi-layered Otsu's Thresholding) using standard non-minimal solvers to rapidly reject outliers for spatial perception problems. First, we propose a new outlier-robust iterative optimizing framework where in each iteration all the measurement data are separated into two groups according to the residual errors and only the group with lower residual errors can be preserved for estimation in the next iteration. Second, we introduce and employ the well-known Otsu's method (from image processing) to conduct thresholding on the residual errors so as to obtain the best separation (grouping) statistically which maximizes the between-class variance. Third, to enhance robustness, we design a multi-layered Otsu's thresholding approach in combination with our framework to sift out the true inliers from outliers that might even occupy the majority of measurements. We test our robust estimator IMOT on 5 different spatial perception problems including: rotation averaging, rotation search, point cloud registration, category-level registration, and SLAM. Experiments show that IMOT is robust against 70%--90% of outliers and can typically converge in only 3--10 iterations, being 3--125 times faster than existing robust estimators: GNC and ADAPT. Moreover, IMOT is able to return robust results even without noise bound information.
• Abstract（参考訳）: 空間知覚問題はロボット工学とコンピュータビジョンの基本的な構成要素である。 しかし、現実世界の多くの状況において、彼らは必然的に外れ値の問題に苦しんでいるため、従来の解法者が正しい見積もりをするのを妨げる。 本稿では,標準的な非最小解法を用いて,空間知覚問題に対する外れ値の高速拒否を行う,汎用頑健性推定器IMOT(Iterative Multi-layered Otsu's Thresholding)を提案する。 まず, 残差誤差に応じてすべての測定データを2つのグループに分割し, 残差誤差の低いグループのみを次のイテレーションで推定するために保存する, 新たなアウトリー・ロバスト反復最適化フレームワークを提案する。 次に,よく知られた大津法(画像処理から)を導入し,残差誤差のしきい値化を行い,クラス間分散を最大化する最適分離(グループ化)を統計的に獲得する。 第三に、ロバスト性を高めるために、我々のフレームワークと組み合わせて多層式大津しきい値測定手法を設計し、測定の大部分を占める可能性のある外れ値から真のインレーヤを抽出する。 我々は, 回転平均化, 回転探索, 点雲登録, カテゴリーレベル登録, SLAMの5つの空間認識問題に対して, 頑健な推定器IMOTを検証した。 実験の結果、IMOTは外れ値の70%--90%に対して堅牢であり、通常は3～10回しか収束せず、既存の頑健な推定値であるGNCとADAPTの3～125倍の速度であることがわかった。 さらに、IMOTはノイズ境界情報なしで頑健な結果を返すことができる。

関連論文リスト

• Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
  大規模未ラベルデータから学ぶための2つの戦略を提案する。 第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。 第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
  論文  参考訳（メタデータ） (2023-07-26T16:19:19Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• 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)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• A Novel Plug-and-Play Approach for Adversarially Robust Generalization [38.72514422694518]
  本稿では,MLモデルを摂動テストデータから保護するために,逆向きに堅牢なトレーニングを採用する頑健なフレームワークを提案する。 私たちの貢献は、計算学と統計学の両方の観点から見ることができます。
  論文  参考訳（メタデータ） (2022-08-19T17:02:55Z)
• Gaining Outlier Resistance with Progressive Quantiles: Fast Algorithms and Theoretical Studies [1.6457778420360534]
  任意の損失関数を強固化するために, 外部抵抗推定の枠組みを導入する。 通常のデータセットでは、データ再見積の回数を大幅に削減できるような、開始点の要件を緩和する新しい手法が提案されている。 得られた推定器は、必ずしも大域的でも大域的でもなくても、両方の低次元において最適性を楽しむことができる。
  論文  参考訳（メタデータ） (2021-12-15T20:35:21Z)
• Robust Algorithms for GMM Estimation: A Finite Sample Viewpoint [30.839245814393724]
  モーメントの一般化法(GMM) 我々はGMM推定器を開発し、一定の$ell$リカバリ保証を$O(sqrtepsilon)$で許容する。 我々のアルゴリズムと仮定は、機器変数の線形回帰とロジスティック回帰に適用できる。
  論文  参考訳（メタデータ） (2021-10-06T21:06:22Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)
• A black-box adversarial attack for poisoning clustering [78.19784577498031]
  本稿では,クラスタリングアルゴリズムのロバスト性をテストするために,ブラックボックス対逆攻撃法を提案する。 我々の攻撃は、SVM、ランダムフォレスト、ニューラルネットワークなどの教師付きアルゴリズムに対しても転送可能であることを示す。
  論文  参考訳（メタデータ） (2020-09-09T18:19:31Z)
• Outlier-Robust Estimation: Hardness, Minimally Tuned Algorithms, and Applications [25.222024234900445]
  本稿では,外乱推定,一般化最大収束(G-MC),一般化最小正方形(G-TLS)の2つの統一式を提案する。 最悪の場合、(概して)外れ値の集合を見つけることは不可能である。 そこで我々は, 降圧器から降圧器を分離する方法を動的に決定する, 降圧器のリジェクションのための最小調整アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-29T21:06:13Z)

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。