論文の概要: Unbiased Directed Object Attention Graph for Object Navigation

• arxiv url: http://arxiv.org/abs/2204.04421v1
• Date: Sat, 9 Apr 2022 08:13:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-12 13:49:16.261354
• Title: Unbiased Directed Object Attention Graph for Object Navigation
• Title（参考訳）: 物体ナビゲーションのための非バイアス指向オブジェクト注意グラフ
• Authors: Ronghao Dang, Zhuofan Shi, Liuyi Wang, Zongtao He, Chengju Liu, Qijun Chen
• Abstract要約: 本研究では,対象物間の注意関係を明示的に学習する際のエージェントを導くために,対象物注意グラフ(DOA)を提案する。 異なる枝の特徴を識別するために, 精密適応分岐エネルギー分布法(ABED)を提案する。 最新技術(SOTA)法と比較すると, 成功率(SR), パス長(SPL), 動作効率(SAE)が7.4%, 8.1%, 17.6%上昇した。
• 参考スコア（独自算出の注目度）: 4.037009782513272
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object navigation tasks require agents to locate specific objects in unknown environments based on visual information. Previously, graph convolutions were used to implicitly explore the relationships between objects. However, due to differences in visibility among objects, it is easy to generate biases in object attention. Thus, in this paper, we propose a directed object attention (DOA) graph to guide the agent in explicitly learning the attention relationships between objects, thereby reducing the object attention bias. In particular, we use the DOA graph to perform unbiased adaptive object attention (UAOA) on the object features and unbiased adaptive image attention (UAIA) on the raw images, respectively. To distinguish features in different branches, a concise adaptive branch energy distribution (ABED) method is proposed. We assess our methods on the AI2-Thor dataset. Compared with the state-of-the-art (SOTA) method, our method reports 7.4%, 8.1% and 17.6% increase in success rate (SR), success weighted by path length (SPL) and success weighted by action efficiency (SAE), respectively.
• Abstract（参考訳）: オブジェクトナビゲーションタスクは、エージェントが視覚情報に基づいて未知の環境で特定のオブジェクトを見つける必要がある。 以前は、グラフ畳み込みはオブジェクト間の関係を暗黙的に探究するために使われていました。 しかしながら、オブジェクト間の可視性の違いから、オブジェクトの注意のバイアスを発生させるのが容易である。 そこで本稿では,対象間の注意関係を明示的に学習し,対象の注意バイアスを低減するために,エージェントを誘導する対象注意グラフを提案する。 特に、DOAグラフを用いて、対象物の特徴に対して非バイアス適応物体注意(UAOA)を、原画像上では非バイアス適応画像注意(UAIA)をそれぞれ行う。 異なる枝の特徴を識別するために,簡潔な適応分岐エネルギー分布(abed)法を提案する。 我々はAI2-Thorデータセットを用いて手法を評価する。 最新技術(sota)法と比較して,成功率(sr)は7.4%,8.1%,17.6%,経路長重み付け成功(spl),行動効率重み付け成功(sae)をそれぞれ報告した。

関連論文リスト

• SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [59.868772767818975]
  本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。 具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、集約である。 様々なラベル付き環境下での多目的オブジェクトデータセットに対する大規模な実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-07-01T07:03:51Z)
• EGTR: Extracting Graph from Transformer for Scene Graph Generation [5.935927309154952]
  SGG(Scene Graph Generation)は、オブジェクトを検出し、オブジェクト間の関係を予測するための課題である。 本稿では,DETRデコーダのマルチヘッド自己アテンション層で学習した様々な関係から関係グラフを抽出する軽量一段SGGモデルを提案する。 本稿では,Visual Genome と Open Image V6 データセットに対する提案手法の有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-04-02T16:20:02Z)
• Localizing Active Objects from Egocentric Vision with Symbolic World Knowledge [62.981429762309226]
  タスクの指示をエゴセントリックな視点から積極的に下す能力は、AIエージェントがタスクを達成したり、人間をバーチャルに支援する上で不可欠である。 本稿では,現在進行中のオブジェクトの役割を学習し,指示から正確に抽出することで,アクティブなオブジェクトをローカライズするフレーズグラウンドモデルの性能を向上させることを提案する。 Ego4DおよびEpic-Kitchensデータセットに関するフレームワークの評価を行った。
  論文  参考訳（メタデータ） (2023-10-23T16:14:05Z)
• SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
  本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。 提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
  論文  参考訳（メタデータ） (2023-04-10T11:10:42Z)
• Relation Regularized Scene Graph Generation [206.76762860019065]
  SGG(Scene Graph Generation)は、検出されたオブジェクトの上に構築され、オブジェクトのペアの視覚的関係を予測する。 本稿では,2つのオブジェクト間の関係を予測できる関係正規化ネットワーク(R2-Net)を提案する。 我々のR2-Netはオブジェクトラベルを効果的に洗練し、シーングラフを生成する。
  論文  参考訳（メタデータ） (2022-02-22T11:36:49Z)
• Agent-Centric Relation Graph for Object Visual Navigation [25.097165101483284]
  環境の関連性に基づいて視覚表現を学習するためのエージェント・中心関係グラフ(ACRG)を提案する。 ACRGは、オブジェクト間の水平関係とエージェントとオブジェクト間の距離関係という2つの関係からなる、非常に効果的な構造である。 上記のグラフでは、エージェントは環境を認識し、ナビゲーションアクションを出力することができる。
  論文  参考訳（メタデータ） (2021-11-29T10:06:31Z)
• Salient Object Ranking with Position-Preserved Attention [44.94722064885407]
  本研究では,検出対象のランク付け順序を視覚的サリエンシに応じて割り当てるSOR(Salient Object Ranking)タスクについて検討する。 本稿では,SORタスクの最初のエンドツーエンドフレームワークを提案し,マルチタスク学習方式で解決する。 また、SORブランチ用に調整されたPPAモジュールも導入する。
  論文  参考訳（メタデータ） (2021-06-09T13:00:05Z)
• ConsNet: Learning Consistency Graph for Zero-Shot Human-Object Interaction Detection [101.56529337489417]
  画像中のHuman, Action, Object>の形のHOIインスタンスを検出・認識することを目的としたHuman-Object Interaction (HOI) Detectionの問題点を考察する。 我々は、オブジェクト、アクション、インタラクション間の多レベルコンパレンシーは、稀な、あるいは以前には見られなかったHOIのセマンティック表現を生成するための強力な手がかりであると主張している。 提案モデルでは,人-対象のペアの視覚的特徴とHOIラベルの単語埋め込みを入力とし,それらを視覚-意味的関節埋め込み空間にマッピングし,類似度を計測して検出結果を得る。
  論文  参考訳（メタデータ） (2020-08-14T09:11:18Z)
• Object-and-Action Aware Model for Visual Language Navigation [70.33142095637515]
  VLN(Vision-and-Language Navigation)は、比較的一般的な自然言語命令をロボットエージェントアクションに変換する必要があるという点で特徴的である。 本稿では、これらの2種類の自然言語に基づく命令を別々に処理するオブジェクト・アンド・アクション・アウェア・モデル(OAAM)を提案する。 これにより、各プロセスは、オブジェクト中心/アクション中心の命令を、自身の視覚的知覚/行動指向に柔軟に一致させることができる。
  論文  参考訳（メタデータ） (2020-07-29T06:32:18Z)

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。