Fugu-MT 論文翻訳(概要): LoRCoN-LO: Long-term Recurrent Convolutional Network-based LiDAR Odometry

論文の概要: LoRCoN-LO: Long-term Recurrent Convolutional Network-based LiDAR Odometry

arxiv url: http://arxiv.org/abs/2303.11853v1
Date: Tue, 21 Mar 2023 13:52:00 GMT
ステータス: 処理完了
システム内更新日: 2023-03-22 14:59:32.714851
Title: LoRCoN-LO: Long-term Recurrent Convolutional Network-based LiDAR Odometry
Title（参考訳）: LoRCoN-LO:長期反復畳み込みネットワークを用いたLiDARオドメトリー
Authors: Donghwi Jung, Jae-Kyung Cho, Younghwa Jung, Soohyun Shin, and Seong-Woo Kim
Abstract要約: そこで我々はLoRCoN-LOと呼ばれる深層学習に基づくLiDAR計測手法を提案する。 LRCN層は、CNN層とLSTM層の両方を用いて、空間情報と時間情報を同時に処理できる構造である。
参考スコア（独自算出の注目度）: 4.867395633094515
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: We propose a deep learning-based LiDAR odometry estimation method called LoRCoN-LO that utilizes the long-term recurrent convolutional network (LRCN) structure. The LRCN layer is a structure that can process spatial and temporal information at once by using both CNN and LSTM layers. This feature is suitable for predicting continuous robot movements as it uses point clouds that contain spatial information. Therefore, we built a LoRCoN-LO model using the LRCN layer, and predicted the pose of the robot through this model. For performance verification, we conducted experiments exploiting a public dataset (KITTI). The results of the experiment show that LoRCoN-LO displays accurate odometry prediction in the dataset. The code is available at https://github.com/donghwijung/LoRCoN-LO.
Abstract（参考訳）: 本稿では,LRCN構造を用いたLRCoN-LOという深層学習に基づくLiDARオドメトリー推定手法を提案する。 LRCN層は、CNN層とLSTM層の両方を用いて、空間情報と時間情報を同時に処理できる構造である。この機能は空間情報を含む点雲を用いて連続したロボットの動きを予測するのに適している。そこで我々は,LRCN層を用いたLoRCoN-LOモデルを構築し,このモデルを用いてロボットのポーズを予測する。性能検証のために,公開データセット(kitti)を利用した実験を行った。実験の結果,LoRCoN-LOはデータセットの正確な計測精度を示すことがわかった。コードはhttps://github.com/donghwijung/LoRCoN-LOで公開されている。

関連論文リスト

DSLO: Deep Sequence LiDAR Odometry Based on Inconsistent Spatio-temporal Propagation [66.8732965660931]
本稿では,LiDAR odometry DSLO の非一貫性時間伝搬に基づく3次元点列学習モデルを提案する。ピラミッド構造で、シーケンシャルなポーズモジュール、階層的なポーズリファインメントモジュール、時間的特徴伝搬モジュールで構成されている。
論文参考訳（メタデータ） (2024-09-01T15:12:48Z)
Enhancing Adaptive History Reserving by Spiking Convolutional Block Attention Module in Recurrent Neural Networks [21.509659756334802]
スパイキングニューラルネットワーク(SNN)は、時系列における時間的パターンを処理するための1種類の効率的なモデルである。本稿では、先進的なスパイキング・コンボリューション・アテンション・モジュール(SCBAM)コンポーネントを組み込んだ繰り返しスパイキング・ニューラルネットワーク(RSNN)モデルを開発する。 SCBAMを通して空間的・時間的チャネルの履歴情報を適応的に呼び出すことで、効率的なメモリ呼び出し履歴と冗長性排除の利点をもたらす。
論文参考訳（メタデータ） (2024-01-08T08:05:34Z)
Few-shot Learning using Data Augmentation and Time-Frequency Transformation for Time Series Classification [6.830148185797109]
データ拡張による新しい数ショット学習フレームワークを提案する。シークエンス・スペクトログラム・ニューラルネット(SSNN)も開発している。本手法は,時系列分類における数ショット問題への対処法の適用性を実証する。
論文参考訳（メタデータ） (2023-11-06T15:32:50Z)
Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文参考訳（メタデータ） (2023-02-20T22:25:47Z)
CRNNTL: convolutional recurrent neural network and transfer learning for QSAR modelling [4.090810719630087]
本稿では,QSARモデリングのための畳み込みリカレントニューラルネットワークと伝達学習(CRNNTL)を提案する。我々の戦略は、特徴抽出のための畳み込みニューラルネットワークと繰り返しニューラルネットワークの両方の利点と、データ拡張手法の利点を生かしている。
論文参考訳（メタデータ） (2021-09-07T20:04:55Z)
ChiNet: Deep Recurrent Convolutional Learning for Multimodal Spacecraft Pose Estimation [3.964047152162558]
本稿では,ランデブーシーケンスからの時間情報を組み込んで,宇宙船の相対的な姿勢を推定する革新的な深層学習パイプラインを提案する。畳み込みニューラルネットワーク(CNN)バックボーンによって抽出された特徴の処理のために、データのシーケンスをモデル化する上で、LSTM(Long Short-term memory)ユニットのパフォーマンスを活用する。 3つの異なるトレーニング戦略が組み合わさって、特徴学習を容易にし、回帰によるエンドツーエンドのポーズ推定を改善する。
論文参考訳（メタデータ） (2021-08-23T16:48:58Z)
Online learning of windmill time series using Long Short-term Cognitive Networks [58.675240242609064]
風車農場で生成されたデータの量は、オンライン学習が従うべき最も有効な戦略となっている。我々はLong Short-term Cognitive Networks (LSTCNs) を用いて、オンライン環境での風車時系列を予測する。提案手法は,単純なRNN,長期記憶,Gated Recurrent Unit,Hidden Markov Modelに対して最も低い予測誤差を報告した。
論文参考訳（メタデータ） (2021-07-01T13:13:24Z)
Self-Learning for Received Signal Strength Map Reconstruction with Neural Architecture Search [63.39818029362661]
ニューラルアーキテクチャサーチ(NAS)と受信信号強度(RSS)マップ再構築のための自己学習に基づくモデルを提案する。このアプローチは、まず最適なNNアーキテクチャを見つけ、与えられた(RSS)マップの地上実測値に対して同時に推論モデルを訓練する。実験結果から,この第2モデルの信号予測は,非学習に基づく最先端技術や,アーキテクチャ探索を伴わないNNモデルよりも優れていた。
論文参考訳（メタデータ） (2021-05-17T12:19:22Z)
PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文参考訳（メタデータ） (2021-03-17T08:28:30Z)
Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文参考訳（メタデータ） (2021-01-12T20:08:18Z)

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。