論文の概要: Mixed-domain Training Improves Multi-Mission Terrain Segmentation
- arxiv url: http://arxiv.org/abs/2209.13674v1
- Date: Tue, 27 Sep 2022 20:25:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 17:06:06.465942
- Title: Mixed-domain Training Improves Multi-Mission Terrain Segmentation
- Title（参考訳）: 混合ドメイントレーニングによる地層セグメンテーションの改善
- Authors: Grace Vincent, Alice Yepremyan, Jingdao Chen, and Edwin Goh
- Abstract要約: 現在の火星の地形区分モデルは、異なる領域にまたがる配置のために再訓練を必要とする。
本研究では,火星表面のマルチミッションセマンティックセマンティックセグメンテーションのために,バックボーンの教師なしコントラスト事前学習を利用する半教師付き学習手法を提案する。
- 参考スコア（独自算出の注目度）: 0.9566312408744931
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Planetary rover missions must utilize machine learning-based perception to
continue extra-terrestrial exploration with little to no human presence.
Martian terrain segmentation has been critical for rover navigation and hazard
avoidance to perform further exploratory tasks, e.g. soil sample collection and
searching for organic compounds. Current Martian terrain segmentation models
require a large amount of labeled data to achieve acceptable performance, and
also require retraining for deployment across different domains, i.e. different
rover missions, or different tasks, i.e. geological identification and
navigation. This research proposes a semi-supervised learning approach that
leverages unsupervised contrastive pretraining of a backbone for a
multi-mission semantic segmentation for Martian surfaces. This model will
expand upon the current Martian segmentation capabilities by being able to
deploy across different Martian rover missions for terrain navigation, by
utilizing a mixed-domain training set that ensures feature diversity.
Evaluation results of using average pixel accuracy show that a semi-supervised
mixed-domain approach improves accuracy compared to single domain training and
supervised training by reaching an accuracy of 97% for the Mars Science
Laboratory's Curiosity Rover and 79.6% for the Mars 2020 Perseverance Rover.
Further, providing different weighting methods to loss functions improved the
models correct predictions for minority or rare classes by over 30% using the
recall metric compared to standard cross-entropy loss. These results can inform
future multi-mission and multi-task semantic segmentation for rover missions in
a data-efficient manner.
- Abstract（参考訳）: 惑星探査ミッションは、人間の存在はほとんど、あるいは全く存在せず、地球外探査を続けるために、機械学習に基づく知覚を利用する必要がある。
火星の地形区分は、土のサンプル収集や有機化合物の探索といったさらなる探索作業を行うために、ローバーの航行と危険回避に不可欠である。
現在の火星の地形区分モデルは、許容される性能を達成するために大量のラベル付きデータを必要とし、また、異なる領域、すなわち異なるローバーミッションまたは異なるタスク、すなわち地質学的識別とナビゲーションに対する再訓練も必要である。
本研究では,火星表面のマルチミッションセマンティクスセグメンテーションのためのバックボーンの教師なしコントラストプリトレーニングを活用した半教師付き学習手法を提案する。
このモデルは火星の現在のセグメンテーション能力を拡大し、異なる火星探査機ミッションを横断して地形の航行を可能にし、特徴の多様性を保証する混合ドメイン訓練セットを活用する。
平均画素精度を用いて評価した結果、半教師付き混合ドメインアプローチは、火星科学研究所のキュリオシティローバーの97%、2020年パーセバランスローバーの79.6%の精度で、単一ドメイントレーニングと教師付きトレーニングよりも精度が向上することが示された。
さらに、損失関数に異なる重み付け方法を提供することにより、標準クロスエントロピー損失と比較して、リコールメトリックを用いて、マイノリティクラスやレアクラスの予測を30%以上改善した。
これらの結果は、データ効率の良い方法でローバーミッションの将来のマルチミッションおよびマルチタスクセマンティクスセグメンテーションを知らせることができる。
関連論文リスト
- Federated Multi-Agent Mapping for Planetary Exploration [0.4143603294943439]
本稿では,データ共有を必要とせず,エージェント間で集中マップモデルを共同で学習する手法を提案する。
我々のアプローチは暗黙のニューラルマッピングを利用して、パシモニアスで適応可能な表現を生成する。
火星の地形と氷河のデータセットを用いたフェデレーションマッピング手法の有効性を実証する。
論文 参考訳（メタデータ） (2024-04-02T20:32:32Z) - SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。
我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文 参考訳（メタデータ） (2024-03-25T10:30:22Z) - Improving Contrastive Learning on Visually Homogeneous Mars Rover Images [3.206547922373737]
我々は、何十万もの未ラベルの火星地形画像に対して、対照的な学習が適用可能であることを示す。
対照的な学習は、任意の一対の異なる画像が異なる意味的内容を含んでいると仮定する。
1) 類似したセマンティックコンテンツを含む画像のクラスタを識別し,トレーニング中に偽陰性エラーを補正する,2) 異なる領域からのデータを混合して,トレーニングデータセット全体の視覚的多様性を高める,という,教師なしのディープクラスタリングステップを提案する。
論文 参考訳（メタデータ） (2022-10-17T16:26:56Z) - A Neuromorphic Vision-Based Measurement for Robust Relative Localization
in Future Space Exploration Missions [0.0]
本研究では,ニューロモルフィック・ビジョン・ベース・計測(NVBM)と慣性測定の融合に基づくロバストな相対的局所化システムを提案する。
提案システムは様々な実験でテストされ、精度と範囲において最先端のアプローチよりも優れていた。
論文 参考訳（メタデータ） (2022-06-23T08:39:05Z) - Semi-Supervised Learning for Mars Imagery Classification and
Segmentation [35.103989798891476]
火星における機械ビジョンのための半教師付きフレームワークについて紹介する。
分類とセグメンテーションという2つの特定の課題を解決しようと試みている。
我々の学習戦略は、分類とセグメンテーションモデルを大幅に改善し、最先端のアプローチより優れている。
論文 参考訳（メタデータ） (2022-06-05T13:55:10Z) - Embedding Earth: Self-supervised contrastive pre-training for dense land
cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。
提案手法による事前学習では, 25%の絶対mIoUが得られた。
学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文 参考訳（メタデータ） (2022-03-11T16:14:14Z) - Mars Terrain Segmentation with Less Labels [1.1745324895296465]
本研究では,火星の地形区分に関する半教師付き学習フレームワークを提案する。
コントラスト損失関数と出力アトラス畳み込みモジュールを使ってトレーニングされるバックボーンモジュールが組み込まれている。
提案したモデルは161のトレーニング画像のみを用いて91.1%のセグメンテーション精度を達成することができる。
論文 参考訳（メタデータ） (2022-02-01T22:25:15Z) - Towards Robust Monocular Visual Odometry for Flying Robots on Planetary
Missions [49.79068659889639]
火星に着陸したばかりのIngenuityは、トラバーサビリティの影響を受けない新時代の探検の始まりとなるでしょう。
高速な光フロートラッキングを用いた高能率単分子オードメトリーアルゴリズムを提案する。
また、相対翻訳情報行列の主成分分析に基づいて、スケールドリフトの現在のリスクを推定する新しい手法を提案する。
論文 参考訳（メタデータ） (2021-09-12T12:52:20Z) - GANav: Group-wise Attention Network for Classifying Navigable Regions in
Unstructured Outdoor Environments [54.21959527308051]
本稿では,RGB画像から,オフロード地形および非構造環境における安全かつ航行可能な領域を識別する新しい学習手法を提案する。
本手法は,粒度の粗いセマンティックセグメンテーションを用いて,そのナビビリティレベルに基づいて地形分類群を分類する。
RUGD と RELLIS-3D のデータセットを広範囲に評価することにより,我々の学習アルゴリズムがナビゲーションのためのオフロード地形における視覚知覚の精度を向上させることを示す。
論文 参考訳（メタデータ） (2021-03-07T02:16:24Z) - Moving Object Classification with a Sub-6 GHz Massive MIMO Array using
Real Data [64.48836187884325]
無線信号を用いた屋内環境における各種活動の分類は,様々な応用の新たな技術である。
本論文では,屋内環境におけるマルチインプット・マルチアウトプット(MIMO)システムから,機械学習を用いて移動物体の分類を解析する。
論文 参考訳（メタデータ） (2021-02-09T15:48:35Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳（メタデータ） (2020-07-26T08:17:10Z)
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。