論文の概要: Variational Voxel Pseudo Image Tracking

• arxiv url: http://arxiv.org/abs/2302.05914v1
• Date: Sun, 12 Feb 2023 13:34:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-14 17:47:35.941227
• Title: Variational Voxel Pseudo Image Tracking
• Title（参考訳）: 変分ボクセル擬似画像追跡
• Authors: Illia Oleksiienko, Paraskevi Nousi, Nikolaos Passalis, Anastasios Tefas and Alexandros Iosifidis
• Abstract要約: 不確実性推定は、ロボット工学や自律運転といった重要な問題にとって重要なタスクである。 本稿では,3次元物体追跡のためのVoxel Pseudo Image Tracking (VPIT) の変分ニューラルネットワークによるバージョンを提案する。
• 参考スコア（独自算出の注目度）: 127.46919555100543
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncertainty estimation is an important task for critical problems, such as robotics and autonomous driving, because it allows creating statistically better perception models and signaling the model's certainty in its predictions to the decision method or a human supervisor. In this paper, we propose a Variational Neural Network-based version of a Voxel Pseudo Image Tracking (VPIT) method for 3D Single Object Tracking. The Variational Feature Generation Network of the proposed Variational VPIT computes features for target and search regions and the corresponding uncertainties, which are later combined using an uncertainty-aware cross-correlation module in one of two ways: by computing similarity between the corresponding uncertainties and adding it to the regular cross-correlation values, or by penalizing the uncertain feature channels to increase influence of the certain features. In experiments, we show that both methods improve tracking performance, while penalization of uncertain features provides the best uncertainty quality.
• Abstract（参考訳）: 不確実性推定は、統計的に優れた知覚モデルを作成し、決定方法や人間の監督者への予測におけるモデルの確実性を示すことができるため、ロボット工学や自律運転といった重要な問題にとって重要なタスクである。 本稿では,3次元物体追跡のためのVoxel Pseudo Image Tracking(VPIT)法の変分ニューラルネットワークによるバージョンを提案する。 提案した変分VPITの変分特徴生成ネットワークは、ターゲット領域と対応する不確実性の特徴を計算し、その後、不確実性を認識した相互相関モジュールを用いて、対応する不確実性間の類似性を計算し、通常の相互相関値に追加することにより、不確実性チャネルをペナルティ化し、特定の特徴の影響を増大させる。 実験では,両手法が追跡性能を向上し,不確実な特徴のペナル化が最良の不確実性をもたらすことを示した。

関連論文リスト

• Uncertainty Propagation through Trained Deep Neural Networks Using Factor Graphs [4.704825771757308]
  不確実性伝播は、入力不確かさをネットワーク予測に伝播させることにより、アレタリック不確かさを推定しようとする。 深層ニューラルネットワーク内の複雑な情報の流れに触発され,因子グラフを用いた非線形最適化問題として不確実性伝播を仮定して新しい手法を開発した。
  論文  参考訳（メタデータ） (2023-12-10T17:26:27Z)
• Mutual Information-calibrated Conformal Feature Fusion for Uncertainty-Aware Multimodal 3D Object Detection at the Edge [1.7898305876314982]
  3次元(3D)物体検出は、重要なロボティクスの操作であり、大きな進歩を遂げている。 本研究は,共形推論の原理と情報理論測度を統合し,モンテカルロ自由な不確実性推定を行う。 このフレームワークは、KITTIの3Dオブジェクト検出ベンチマークにおいて、不確実性に気付かない類似のメソッドと同等またはより良いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2023-09-18T09:02:44Z)
• Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
  不確実性推定は統計的に正確な予測を提供する効果的なツールである。 本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2023-02-12T14:30:03Z)
• Modeling Uncertain Feature Representation for Domain Generalization [49.129544670700525]
  提案手法は,複数の視覚タスクにおけるネットワーク一般化能力を常に改善することを示す。 我々の手法は単純だが有効であり、トレーニング可能なパラメータや損失制約を伴わずにネットワークに容易に統合できる。
  論文  参考訳（メタデータ） (2023-01-16T14:25:02Z)
• Uncertainty Modeling for Out-of-Distribution Generalization [56.957731893992495]
  特徴統計を適切に操作することで、ディープラーニングモデルの一般化能力を向上させることができると論じる。 一般的な手法では、特徴統計を学習した特徴から測定された決定論的値とみなすことが多い。 我々は、学習中に合成された特徴統計を用いて、領域シフトの不確かさをモデル化することにより、ネットワークの一般化能力を向上させる。
  論文  参考訳（メタデータ） (2022-02-08T16:09:12Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Accurate and Reliable Forecasting using Stochastic Differential Equations [48.21369419647511]
  ディープラーニングモデルにとって、現実世界の環境に浸透する不確実性を適切に特徴付けることは、非常に困難である。 本論文では,HNNの予測平均と分散の相互作用を特徴づけるSDE-HNNを開発した。 本手法は,予測性能と不確実性定量化の両方の観点から,最先端のベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2021-03-28T04:18:11Z)
• Nondeterminism and Instability in Neural Network Optimization [7.6146285961466]
  ニューラルネットワーク最適化における非決定論はパフォーマンスの不確実性を生み出す。 すべての非決定論の源がモデルの多様性の尺度に類似した影響を持つことを示す。 不安定性が実行から実行までの可変性に与える影響を低減するための2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2021-03-08T02:28:18Z)

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。