論文の概要: Design of Convolutional Extreme Learning Machines for Vision-Based Navigation Around Small Bodies

• arxiv url: http://arxiv.org/abs/2210.16244v1
• Date: Fri, 28 Oct 2022 16:24:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 15:22:36.900038
• Title: Design of Convolutional Extreme Learning Machines for Vision-Based Navigation Around Small Bodies
• Title（参考訳）: 小体まわりの視覚に基づくナビゲーションのための畳み込みエクストリーム学習マシンの設計
• Authors: Mattia Pugliatti and Francesco Topputo
• Abstract要約: 畳み込みニューラルネットワークのようなディープラーニングアーキテクチャは、画像処理タスクにおけるコンピュータビジョンの標準である。 しかし、その正確さは、しばしば、長く計算的に高価なトレーニングのコストがかかる。 畳み込み極端学習マシンと呼ばれる別の手法は、トレーニング時間の劇的な減少と同等に機能する可能性を示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning architectures such as convolutional neural networks are the standard in computer vision for image processing tasks. Their accuracy however often comes at the cost of long and computationally expensive training, the need for large annotated datasets, and extensive hyper-parameter searches. On the other hand, a different method known as convolutional extreme learning machine has shown the potential to perform equally with a dramatic decrease in training time. Space imagery, especially about small bodies, could be well suited for this method. In this work, convolutional extreme learning machine architectures are designed and tested against their deep-learning counterparts. Because of the relatively fast training time of the former, convolutional extreme learning machine architectures enable efficient exploration of the architecture design space, which would have been impractical with the latter, introducing a methodology for an efficient design of a neural network architecture for computer vision tasks. Also, the coupling between the image processing method and labeling strategy is investigated and demonstrated to play a major role when considering vision-based navigation around small bodies.
• Abstract（参考訳）: 畳み込みニューラルネットワークのようなディープラーニングアーキテクチャは、画像処理タスクにおけるコンピュータビジョンの標準である。 しかし、その正確性は、長く計算コストの高いトレーニング、大規模な注釈付きデータセットの必要性、そして広範囲なハイパーパラメーター検索のコストが伴うことが多い。 一方,畳み込み型エクストリームラーニングマシンと呼ばれる異なる手法では,学習時間の劇的な減少とともに等しく実行できる可能性が示された。 宇宙画像、特に小さな天体の画像は、この方法に適している。 本研究では,畳み込み型エクストリームラーニングマシンアーキテクチャの設計とテストを行っている。 前者の比較的速いトレーニング時間のため、畳み込み学習マシンアーキテクチャはアーキテクチャ設計空間の効率的な探索を可能にし、後者とは非現実的であり、コンピュータビジョンタスクのためのニューラルネットワークアーキテクチャの効率的な設計のための方法論を導入している。 また, 画像処理法とラベリング戦略の結合について検討し, 小型物体周辺の視覚に基づくナビゲーションを考える際に重要な役割を果たすことを実証した。

関連論文リスト

• Integration and Performance Analysis of Artificial Intelligence and Computer Vision Based on Deep Learning Algorithms [5.734290974917728]
  本稿では,ディープラーニングとコンピュータビジョン技術の統合による応用効果の分析に焦点をあてる。 ディープラーニングは階層型ニューラルネットワークを構築することで歴史的なブレークスルーを実現し、エンドツーエンドの機能学習と画像の意味的理解を可能にする。 コンピュータビジョンの分野で成功した経験は、ディープラーニングアルゴリズムのトレーニングに強力なサポートを提供する。
  論文  参考訳（メタデータ） (2023-12-20T09:37:06Z)
• Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
  ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。 ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。 新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
  論文  参考訳（メタデータ） (2023-08-27T03:55:28Z)
• Exploiting Large Neuroimaging Datasets to Create Connectome-Constrained Approaches for more Robust, Efficient, and Adaptable Artificial Intelligence [4.998666322418252]
  我々は、脳の地図を含む大きなニューロイメージングデータセットを利用するパイプラインを構想する。 我々は,繰り返しるサブサーキットやモチーフの発見手法を開発した。 第3に、チームはフルーツフライコネクトームのメモリ形成の回路を分析し、新しい生成的リプレイアプローチの設計を可能にした。
  論文  参考訳（メタデータ） (2023-05-26T23:04:53Z)
• Fast GraspNeXt: A Fast Self-Attention Neural Network Architecture for Multi-task Learning in Computer Vision Tasks for Robotic Grasping on the Edge [80.88063189896718]
  アーキテクチャと計算の複雑さが高いと、組み込みデバイスへのデプロイに適さない。 Fast GraspNeXtは、ロボットグルーピングのためのコンピュータビジョンタスクに埋め込まれたマルチタスク学習に適した、高速な自己認識型ニューラルネットワークアーキテクチャである。
  論文  参考訳（メタデータ） (2023-04-21T18:07:14Z)
• Efficient Feature Description for Small Body Relative Navigation using Binary Convolutional Neural Networks [17.15829643665034]
  本稿では,二項畳み込みニューラルネットワーク層を利用した局所的特徴記述アーキテクチャを提案する。 私たちは、レガシーで進行中のミッションから、小さなボディの実際のイメージでモデルをトレーニングし、テストします。 次世代宇宙船プロセッサのサロゲートにモデルを実装し,オンライン機能トラッキングの実現可能なランタイムを実証する。
  論文  参考訳（メタデータ） (2023-04-11T05:09:46Z)
• Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge TPU [58.720142291102135]
  本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。 我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
  論文  参考訳（メタデータ） (2022-04-07T08:53:18Z)
• Improving Sample Efficiency of Value Based Models Using Attention and Vision Transformers [52.30336730712544]
  性能を犠牲にすることなくサンプル効率を向上させることを目的とした深層強化学習アーキテクチャを提案する。 状態表現の特徴マップ上の自己注意機構を変換器を用いて学習する視覚的注意モデルを提案する。 我々は,このアーキテクチャがいくつかのAtari環境におけるサンプルの複雑さを向上すると同時に,いくつかのゲームにおいて優れたパフォーマンスを実現することを実証的に実証した。
  論文  参考訳（メタデータ） (2022-02-01T19:03:03Z)
• Tensor Methods in Computer Vision and Deep Learning [120.3881619902096]
  テンソル(tensor)は、複数の次元の視覚データを自然に表現できるデータ構造である。 コンピュータビジョンにおけるディープラーニングパラダイムシフトの出現により、テンソルはさらに基本的なものになっている。 本稿では,表現学習と深層学習の文脈において,テンソルとテンソル法を深く,実践的に検討する。
  論文  参考訳（メタデータ） (2021-07-07T18:42:45Z)
• D2RL: Deep Dense Architectures in Reinforcement Learning [47.67475810050311]
  コンピュータビジョンと生成モデルにおけるアーキテクチャ選択の成功からインスピレーションを得ます。 各種ロボット学習ベンチマーク環境における強化学習における深層ネットワークと高密度接続の利用について検討した。
  論文  参考訳（メタデータ） (2020-10-19T01:27:07Z)
• On Deep Learning Techniques to Boost Monocular Depth Estimation for Autonomous Navigation [1.9007546108571112]
  画像の深さを推定することはコンピュータビジョンの分野における根本的な逆問題である。 本稿では,新しい特徴抽出モデルと組み合わせ,軽量で高速なCNNアーキテクチャを提案する。 また,SIDE問題を解くために,単純な幾何2.5D損失関数と組み合わせて効率的な表面正規化モジュールを導入する。
  論文  参考訳（メタデータ） (2020-10-13T18:37:38Z)
• Human action recognition with a large-scale brain-inspired photonic computer [0.774229787612056]
  ビデオストリームにおける人間の行動の認識は、コンピュータビジョンにおいて難しい課題である。 ディープラーニングは近年顕著な成果を上げているが、実際に使うのが難しくなっている。 本稿では,映像に基づく人間の動作を最先端の精度で認識できる,スケーラブルなフォトニックニューロインスパイアアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-04-06T10:39:10Z)

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。