論文の概要: Exploiting Embodied Simulation to Detect Novel Object Classes Through Interaction

• arxiv url: http://arxiv.org/abs/2204.08107v1
• Date: Sun, 17 Apr 2022 23:16:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-19 13:02:14.375917
• Title: Exploiting Embodied Simulation to Detect Novel Object Classes Through Interaction
• Title（参考訳）: インタラクションによる新しいオブジェクトクラス検出のための爆発的身体シミュレーション
• Authors: Nikhil Krishnaswamy, Sadaf Ghaffari
• Abstract要約: 我々は、既知のオブジェクトタイプが与えられた積み重ねタスクに対して強化学習ポリシーを訓練し、同じ訓練されたポリシーに基づいて、他の様々なオブジェクトを積み重ねようとするエージェントの結果を観察します。 与えられたオブジェクトと既知のオブジェクトの類似性を決定することができ、与えられたオブジェクトが既知のオブジェクトのクラスであると見なすのに十分相違があるかどうかを判断できる。 本手法は,2つの異なるポリシーを用いて収集された2つのデータセットに対して,エージェントが環境からどのような情報を取り出す必要があるかを示す。
• 参考スコア（独自算出の注目度）: 4.507860128918788
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper we present a novel method for a naive agent to detect novel objects it encounters in an interaction. We train a reinforcement learning policy on a stacking task given a known object type, and then observe the results of the agent attempting to stack various other objects based on the same trained policy. By extracting embedding vectors from a convolutional neural net trained over the results of the aforementioned stacking play, we can determine the similarity of a given object to known object types, and determine if the given object is likely dissimilar enough to the known types to be considered a novel class of object. We present the results of this method on two datasets gathered using two different policies and demonstrate what information the agent needs to extract from its environment to make these novelty judgments.
• Abstract（参考訳）: 本稿では,相互作用中に遭遇する新しい物体を検出するためのナイーブエージェントの新規な手法を提案する。 我々は、既知のオブジェクトタイプが与えられた積み重ねタスクに対して強化学習ポリシーを訓練し、同じ訓練されたポリシーに基づいて様々なオブジェクトを積み重ねようとするエージェントの結果を観察します。 上記の積み重ね遊びの結果から訓練された畳み込みニューラルネットワークから埋め込みベクトルを抽出することにより、与えられたオブジェクトの既知のオブジェクトタイプとの類似性を判断し、与えられたオブジェクトが既知の型と十分に似ていないかどうかを判断し、新しいタイプのオブジェクトと見なすことができる。 本手法は,2つの異なるポリシーを用いて収集された2つのデータセットに対して,エージェントが環境からどのような情報を取り出す必要があるかを示す。

関連論文リスト

• Look Around and Learn: Self-Training Object Detection by Exploration [23.620820805804616]
  エージェントは、事前訓練されたオフザシェルフ検出器を使用して環境を探索し、オブジェクトを検出し、擬似ラベルを関連付ける。 同じオブジェクトの擬似ラベルが、異なる視点で一貫性を持っていなければならないと仮定することで、ハードサンプルをマイニングするためにLook Aroundという探索ポリシーを学びます。 我々は現在の最先端の統一されたベンチマークを実装し、既存の探索政策や知覚メカニズムと比較する。
  論文  参考訳（メタデータ） (2023-02-07T16:26:45Z)
• Detecting and Accommodating Novel Types and Concepts in an Embodied Simulation Environment [4.507860128918788]
  本稿では,AIシステムにおける2種類のメタ認知タスクの手法を提案する。 ニューラルな分類モデルを拡張して、新しい分類対象を適応させ、新しい分類対象を既知のクラスとして誤分類する代わりに、新しい分類対象がいつ観測されるかを認識する。 本稿では,新しいカテゴリや概念の導入を迅速に行うための一連の実験,新しい型検出,対話型システムにおける2つの統合アーキテクチャについて述べる。
  論文  参考訳（メタデータ） (2022-11-08T20:55:28Z)
• Spatial Reasoning for Few-Shot Object Detection [21.3564383157159]
  本稿では,空間的推論フレームワークを提案する。 グラフ畳み込みネットワークをRoIとその関連性はそれぞれノードとエッジとして定義する。 提案手法は最先端の手法を著しく上回り, 広範囲なアブレーション研究により有効性を検証する。
  論文  参考訳（メタデータ） (2022-11-02T12:38:08Z)
• Is an Object-Centric Video Representation Beneficial for Transfer? [86.40870804449737]
  トランスアーキテクチャ上にオブジェクト中心のビデオ認識モデルを導入する。 対象中心モデルが先行映像表現より優れていることを示す。
  論文  参考訳（メタデータ） (2022-07-20T17:59:44Z)
• The Familiarity Hypothesis: Explaining the Behavior of Deep Open Set Methods [86.39044549664189]
  特徴ベクトルデータに対する異常検出アルゴリズムは異常を外れ値として識別するが、外れ値検出はディープラーニングではうまく機能しない。 本論文は, 新規性の有無ではなく, 慣れ親しんだ特徴の欠如を検知しているため, これらの手法が成功するというFamiliarity仮説を提案する。 本論文は,親しみやすさの検出が表現学習の必然的な結果であるかどうかを論じる。
  論文  参考訳（メタデータ） (2022-03-04T18:32:58Z)
• Robust Region Feature Synthesizer for Zero-Shot Object Detection [87.79902339984142]
  我々は,クラス内セマンティック・ディバージングコンポーネントとクラス間構造保存コンポーネントを含む,新しいゼロショットオブジェクト検出フレームワークを構築した。 リモートセンシング画像においてゼロショット物体検出を行う最初の研究である。
  論文  参考訳（メタデータ） (2022-01-01T03:09:15Z)
• Contrastive Object Detection Using Knowledge Graph Embeddings [72.17159795485915]
  一つのホットアプローチで学習したクラス埋め込みの誤差統計と、自然言語処理や知識グラフから意味的に構造化された埋め込みを比較した。 本稿では,キーポイントベースおよびトランスフォーマーベースオブジェクト検出アーキテクチャの知識埋め込み設計を提案する。
  論文  参考訳（メタデータ） (2021-12-21T17:10:21Z)
• Disentangling What and Where for 3D Object-Centric Representations Through Active Inference [4.088019409160893]
  本稿では、時間とともに新しいオブジェクトカテゴリを学習できるアクティブ推論エージェントを提案する。 我々のエージェントは、教師なしの方法で、多くのオブジェクトカテゴリの表現を学習できることを示す。 我々は,エージェントが画素ベースのレンダリングから与えられたポーズでオブジェクトを検索できるエンドツーエンドでシステムを検証する。
  論文  参考訳（メタデータ） (2021-08-26T12:49:07Z)
• Aligning Pretraining for Detection via Object-Level Contrastive Learning [57.845286545603415]
  画像レベルのコントラスト表現学習は、伝達学習の汎用モデルとして非常に有効であることが証明されている。 我々は、これは準最適である可能性があり、従って、自己教師付きプレテキストタスクと下流タスクのアライメントを促進する設計原則を提唱する。 Selective Object Contrastive Learning (SoCo) と呼ばれる本手法は,COCO検出における伝達性能の最先端化を実現する。
  論文  参考訳（メタデータ） (2021-06-04T17:59:52Z)
• Adaptive Object Detection with Dual Multi-Label Prediction [78.69064917947624]
  本稿では,適応オブジェクト検出のための新しいエンド・ツー・エンドの非教師付き深部ドメイン適応モデルを提案する。 モデルはマルチラベル予測を利用して、各画像内の対象カテゴリ情報を明らかにする。 本稿では,オブジェクト検出を支援するための予測整合正則化機構を提案する。
  論文  参考訳（メタデータ） (2020-03-29T04:23:22Z)

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。