論文の概要: Probabilistic Point Cloud Modeling via Self-Organizing Gaussian Mixture Models

• arxiv url: http://arxiv.org/abs/2302.00047v1
• Date: Tue, 31 Jan 2023 19:28:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-02 18:26:54.508461
• Title: Probabilistic Point Cloud Modeling via Self-Organizing Gaussian Mixture Models
• Title（参考訳）: 自己組織型ガウス混合モデルによる確率点雲モデリング
• Authors: Kshitij Goel, Nathan Michael, Wennie Tabib
• Abstract要約: 有限ガウス混合モデル(GMM)を用いた空間点雲データの連続確率論的モデリング手法を提案する。 我々は,センサデータの関連情報に基づいて,情報理論学習の自己組織化原理を用いて,GMMモデルの複雑さを自動的に適応する。 このアプローチは、シーンの複雑さの異なる実世界のデータ上で、既存のポイントクラウドモデリング技術に対して評価される。
• 参考スコア（独自算出の注目度）: 19.10047652180224
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This letter presents a continuous probabilistic modeling methodology for spatial point cloud data using finite Gaussian Mixture Models (GMMs) where the number of components are adapted based on the scene complexity. Few hierarchical and adaptive methods have been proposed to address the challenge of balancing model fidelity with size. Instead, state-of-the-art mapping approaches require tuning parameters for specific use cases, but do not generalize across diverse environments. To address this gap, we utilize a self-organizing principle from information-theoretic learning to automatically adapt the complexity of the GMM model based on the relevant information in the sensor data. The approach is evaluated against existing point cloud modeling techniques on real-world data with varying degrees of scene complexity.
• Abstract（参考訳）: このレターは、有限ガウス混合モデル(gmms)を用いた空間的ポイントクラウドデータの連続的確率的モデリング手法を示し、そこではシーンの複雑さに基づいてコンポーネントの数を適応させる。 モデルの忠実度とサイズとのバランスを取るという課題に対処するために、階層的かつ適応的な方法が提案されている。 代わりに、最先端マッピングアプローチは特定のユースケースのチューニングパラメータを必要とするが、多様な環境にまたがる一般化はしない。 このギャップに対処するために,センサデータの関連情報に基づいて,情報理論学習からの自己組織化原理を用いて,GMMモデルの複雑さを自動的に適応する。 このアプローチは、シーンの複雑さの異なる実世界のデータ上で、既存のポイントクラウドモデリング技術に対して評価される。

関連論文リスト

• Adaptive Fuzzy C-Means with Graph Embedding [84.47075244116782]
  ファジィクラスタリングアルゴリズムは、大まかに2つの主要なグループに分類できる: ファジィC平均法(FCM)と混合モデルに基づく方法。 本稿では,FCMを用いたクラスタリングモデルを提案する。
  論文  参考訳（メタデータ） (2024-05-22T08:15:50Z)
• Incremental Multimodal Surface Mapping via Self-Organizing Gaussian Mixture Models [1.0878040851638]
  本文では,環境を連続確率モデルとして表わすインクリメンタルなマルチモーダル表面マッピング手法について述べる。 この研究で使用される戦略は環境を表現するためにガウス混合モデル(GMM)を用いる。 このギャップを埋めるために,高速GMMサブマップ抽出のための空間ハッシュマップを導入する。
  論文  参考訳（メタデータ） (2023-09-19T19:49:03Z)
• Bayesian Learning of Coupled Biogeochemical-Physical Models [28.269731698116257]
  海洋生態系の予測モデルは、様々なニーズに使われている。 希少な測定と海洋プロセスの理解が限られているため、かなりの不確実性がある。 候補モデルの空間での処理と新しいモデルの発見を可能にするベイズモデル学習手法を開発した。
  論文  参考訳（メタデータ） (2022-11-12T17:49:18Z)
• Learning from aggregated data with a maximum entropy model [73.63512438583375]
  我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。 我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
  論文  参考訳（メタデータ） (2022-10-05T09:17:27Z)
• On the Influence of Enforcing Model Identifiability on Learning dynamics of Gaussian Mixture Models [14.759688428864159]
  特異モデルからサブモデルを抽出する手法を提案する。 本手法はトレーニング中のモデルの識別性を強制する。 この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
  論文  参考訳（メタデータ） (2022-06-17T07:50:22Z)
• Scalable nonparametric Bayesian learning for heterogeneous and dynamic velocity fields [8.744017403796406]
  速度場データの不均一および動的パターンを学習するモデルを開発した。 複雑な多車間相互作用のNGSIMデータセットに対して,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2021-02-15T17:45:46Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
  PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。 本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。 このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
  論文  参考訳（メタデータ） (2020-09-29T12:50:33Z)
• Variational Mixture of Normalizing Flows [0.0]
  生成逆数ネットワークオートサイトGAN、変分オートエンコーダオートサイトベイペーパー、およびそれらの変種などの深い生成モデルは、複雑なデータ分布をモデル化するタスクに広く採用されている。 正規化フローはこの制限を克服し、確率密度関数にそのような公式の変更を利用する。 本研究は,混合モデルのコンポーネントとして正規化フローを用い,そのようなモデルのエンドツーエンドトレーニング手順を考案することによって,この問題を克服する。
  論文  参考訳（メタデータ） (2020-09-01T17:20:08Z)
• DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
  ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。 本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。 提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
  論文  参考訳（メタデータ） (2020-08-20T17:25:16Z)
• Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
  異種データセットから学習した後続分布を融合する手法を提案する。 我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
  論文  参考訳（メタデータ） (2020-07-13T03:27:45Z)

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。