論文の概要: Optimizing SLAM Evaluation Footprint Through Dynamic Range Coverage Analysis of Datasets

• arxiv url: http://arxiv.org/abs/2209.06316v1
• Date: Tue, 13 Sep 2022 21:47:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-15 13:57:26.901942
• Title: Optimizing SLAM Evaluation Footprint Through Dynamic Range Coverage Analysis of Datasets
• Title（参考訳）: データセットの動的範囲被覆解析によるSLAM評価フットプリントの最適化
• Authors: Islam Ali, Hong Zhang
• Abstract要約: 本稿では,多くの特徴量に基づいて,データセットの動的範囲カバレッジを体系的に解析する。 SLAMの評価過程における冗長性を除去する動的プログラミング(DP)アルゴリズムを提案する。 データセットのキャラクタリゼーションとDP選択アルゴリズムの助けを借りて、同じレベルのカバレッジを維持しながら、評価の労力を削減できることが示されている。
• 参考スコア（独自算出の注目度）: 4.063868707697316
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simultaneous Localization and Mapping (SLAM) is considered an ever-evolving problem due to its usage in many applications. Evaluation of SLAM is done typically using publicly available datasets which are increasing in number and the level of difficulty. Each dataset provides a certain level of dynamic range coverage that is a key aspect of measuring the robustness and resilience of SLAM. In this paper, we provide a systematic analysis of the dynamic range coverage of datasets based on a number of characterization metrics, and our analysis shows a huge level of redundancy within and between datasets. Subsequently, we propose a dynamic programming (DP) algorithm for eliminating the redundancy in the evaluation process of SLAM by selecting a subset of sequences that matches a single or multiple dynamic range coverage objectives. It is shown that, with the help of dataset characterization and DP selection algorithm, a reduction in the evaluation effort can be achieved while maintaining the same level of coverage. Finally, we show that, in a multi-objective SLAM setup, the aggregation of multiple runs of the algorithm can achieve the same conclusions in localization accuracy by a SLAM algorithms.
• Abstract（参考訳）: 同時局在マッピング(SLAM)は多くのアプリケーションで使われているため、常に進化する問題であると考えられている。 slamの評価は通常、数と難易度が増加する公開データセットを使用して行われる。 各データセットは、SLAMの堅牢性とレジリエンスを測定する上で重要な側面である、一定のレベルのダイナミックレンジカバレッジを提供します。 本稿では,多くの特徴量に基づいて,データセットの動的範囲カバレッジを体系的に解析し,データセット間の冗長性に大きなレベルを示す。 次に,複数の動的範囲カバレッジ対象にマッチするシーケンスのサブセットを選択することにより,SLAMの評価プロセスにおける冗長性を解消する動的プログラミング(DP)アルゴリズムを提案する。 その結果,データセットのキャラクタリゼーションとDP選択アルゴリズムの助けを借りて,同じレベルのカバレッジを維持しつつ,評価の労力を削減できることが示唆された。 最後に、多目的SLAM設定において、アルゴリズムの複数実行の集約は、SLAMアルゴリズムにより、ローカライズ精度において同じ結論を得ることができることを示す。

関連論文リスト

• Interpetable Target-Feature Aggregation for Multi-Task Learning based on Bias-Variance Analysis [53.38518232934096]
  マルチタスク学習(MTL)は、タスク間の共有知識を活用し、一般化とパフォーマンスを改善するために設計された強力な機械学習パラダイムである。 本稿では,タスククラスタリングと特徴変換の交点におけるMTL手法を提案する。 両段階において、鍵となる側面は減った目標と特徴の解釈可能性を維持することである。
  論文  参考訳（メタデータ） (2024-06-12T08:30:16Z)
• Quantized Hierarchical Federated Learning: A Robust Approach to Statistical Heterogeneity [3.8798345704175534]
  本稿では,コミュニケーション効率に量子化を組み込んだ新しい階層型フェデレーション学習アルゴリズムを提案する。 最適性ギャップと収束率を評価するための包括的な分析フレームワークを提供する。 この結果から,本アルゴリズムはパラメータの範囲で常に高い学習精度を達成できることが判明した。
  論文  参考訳（メタデータ） (2024-03-03T15:40:24Z)
• Clustering in Dynamic Environments: A Framework for Benchmark Dataset Generation With Heterogeneous Changes [11.56518009058007]
  動的環境におけるクラスタリングは、リアルタイムデータ分析やオンライン教師なし学習から動的施設配置問題まで幅広い応用において、重要性が増している。 静的クラスタリングタスクでは,メタヒューリスティックスが有望な有効性を示している。 これは、さまざまな動的シナリオにおけるクラスタリングアルゴリズムの体系的なパフォーマンス評価を妨げる、多様な、制御可能な、現実的な動的特性を備えた動的データセットの欠如による部分もある。 この欠陥は、動的環境におけるクラスタリングのアルゴリズムを効果的に設計する私たちの理解と能力のギャップにつながる。
  論文  参考訳（メタデータ） (2024-02-24T05:49:27Z)
• Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
  本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。 本手法はLSTMの重みと偏りを分割的に最適化する。 イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2023-12-29T08:42:10Z)
• Estimating leverage scores via rank revealing methods and randomization [50.591267188664666]
  任意のランクの正方形密度あるいはスパース行列の統計レバレッジスコアを推定するアルゴリズムについて検討した。 提案手法は,高密度およびスパースなランダム化次元性還元変換の合成と階調明細化法を組み合わせることに基づく。
  論文  参考訳（メタデータ） (2021-05-23T19:21:55Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• A Forward Backward Greedy approach for Sparse Multiscale Learning [0.0]
  本稿では,カーネルが重み付きマルチスケール構造を持つRKHS(Reproduction Kernel Hilbert space)を提案する。 この空間における近似を生成するために、多スケール構造を持つ基底関数の集合をゆるやかに構成できる実用的なフォワードバックワードアルゴリズムを提供する。 我々は,様々なシミュレーションと実データ集合を用いて,アプローチの性能を解析する。
  論文  参考訳（メタデータ） (2021-02-14T04:22:52Z)
• Dynamic Refinement Network for Oriented and Densely Packed Object Detection [75.29088991850958]
  本稿では,機能選択モジュール (FSM) と動的改善ヘッド (DRH) の2つの新しいコンポーネントからなる動的精細化ネットワークを提案する。 我々のFSMは、ニューロンがターゲットオブジェクトの形状や向きに応じて受容野を調整できるのに対して、DRHはオブジェクト認識の方法で動的に予測を洗練させる。 我々は、DOTA、HRSC2016、SKU110K、および我々のSKU110K-Rデータセットを含むいくつかの公開ベンチマークで定量的評価を行う。
  論文  参考訳（メタデータ） (2020-05-20T11:35:50Z)
• EAO-SLAM: Monocular Semi-Dense Object SLAM Based on Ensemble Data Association [13.066862774833867]
  パラメトリックおよび非パラメトリック統計テストを統合するためのアンサンブルデータアソシエイト戦略を提案する。 そこで我々は,アウトリーズ・ロスト・センタロイドとスケール推定アルゴリズムを開発した,正確なオブジェクトポーズ推定フレームワークを提案する。 モノクロカメラを用いた半高精細もしくは軽量なオブジェクト指向マップを作成できるSLAMシステムを構築した。
  論文  参考訳（メタデータ） (2020-04-27T11:59:28Z)
• Meta-learning framework with applications to zero-shot time-series forecasting [82.61728230984099]
  この研究は幅広いメタラーニングフレームワークを使って肯定的な証拠を提供する。 残余接続はメタラーニング適応機構として機能する。 我々は、ソースTSデータセット上でニューラルネットワークをトレーニングし、異なるターゲットTSデータセット上で再トレーニングすることなくデプロイできることを示します。
  論文  参考訳（メタデータ） (2020-02-07T16:39:43Z)

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。