Fugu-MT 論文翻訳(概要): Prior based Sampling for Adaptive LiDAR

論文の概要: Prior based Sampling for Adaptive LiDAR

arxiv url: http://arxiv.org/abs/2304.07099v1
Date: Fri, 14 Apr 2023 12:41:00 GMT
ステータス: 処理完了
システム内更新日: 2023-04-17 13:36:48.878044
Title: Prior based Sampling for Adaptive LiDAR
Title（参考訳）: Adaptive LiDARの事前サンプリング
Authors: Amit Shomer, Shai Avidan
Abstract要約: 適応型LiDARに適した畳み込みニューラルネットワーク(CNN)を提案する。この方法でLiDARがシーンをサンプリングする代わりに、SampleDepthは適応的に現在のフレームをサンプリングするのが一番良い場所を判断する。その結果,SampleDepth は下流のタスクの深度調整に適していることが判明した。
参考スコア（独自算出の注目度）: 20.191456827448736
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose SampleDepth, a Convolutional Neural Network (CNN), that is suited for an adaptive LiDAR. Typically,LiDAR sampling strategy is pre-defined, constant and independent of the observed scene. Instead of letting a LiDAR sample the scene in this agnostic fashion, SampleDepth determines, adaptively, where it is best to sample the current frame.To do that, SampleDepth uses depth samples from previous time steps to predict a sampling mask for the current frame. Crucially, SampleDepth is trained to optimize the performance of a depth completion downstream task. SampleDepth is evaluated on two different depth completion networks and two LiDAR datasets, KITTI Depth Completion and the newly introduced synthetic dataset, SHIFT. We show that SampleDepth is effective and suitable for different depth completion downstream tasks.
Abstract（参考訳）: 適応型LiDARに適した畳み込みニューラルネットワーク(CNN)であるSampleDepthを提案する。通常、LiDARサンプリング戦略は事前に定義されており、観察されたシーンとは独立している。この非依存的な方法でLiDARがシーンをサンプリングする代わりに、SampleDepthは現在のフレームをサンプリングするのに最適な場所を適応的に決定する。 sampledepthは、深度完了ダウンストリームタスクのパフォーマンスを最適化するために訓練される。サンプルDepthは2つの異なる深度補完ネットワークと2つのLiDARデータセット、KITTI深度補完と新たに導入された合成データセットShiFTで評価される。サンプルディテールは異なるディテール完了下流タスクに効果的かつ適していることを示す。

関連論文リスト

Spanning Training Progress: Temporal Dual-Depth Scoring (TDDS) for Enhanced Dataset Pruning [50.809769498312434]
我々は、時間的デュアルディープス・スコーリング(TDDS)と呼ばれる新しいデータセット・プルーニング手法を提案する。本手法は,10%のトレーニングデータで54.51%の精度を達成し,ランダム選択を7.83%以上,他の比較手法を12.69%以上上回る結果を得た。
論文参考訳（メタデータ） (2023-11-22T03:45:30Z)
Data Pruning via Moving-one-Sample-out [61.45441981346064]
我々は移動1サンプルアウト(MoSo)と呼ばれる新しいデータ処理手法を提案する。 MoSoは、トレーニングセットから最も分かりにくいサンプルを特定し、削除することを目的としている。実験結果から,MoSoは高プルーニング比で高い性能劣化を効果的に緩和することが示された。
論文参考訳（メタデータ） (2023-10-23T08:00:03Z)
Masked Generative Modeling with Enhanced Sampling Scheme [1.3927943269211591]
拡張サンプリングスキーム(ESS)は、サンプルの多様性と忠実さの両方を保証する。 ESSは、Naive Iterative Decoding、Critical Reverse Smpling、Critical Resamplingの3つのステージで構成されている。非条件サンプリングとクラス条件サンプリングの両方において、ESSの大幅な性能向上を示す。
論文参考訳（メタデータ） (2023-09-14T09:42:13Z)
A Gradient-based Approach for Online Robust Deep Neural Network Training with Noisy Labels [27.7867122240632]
本稿では,雑音ラベルのオンライン選択を可能にする新しい手法を提案する。オンライングラディエントベースの選択選択(OGRS)は、パラメータ設定を変更することなく、さまざまなクリーン比を持つデータセットから更新するステップによって、クリーンサンプルを自動的に選択することができる。
論文参考訳（メタデータ） (2023-06-08T08:57:06Z)
MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based Self-Supervised Pre-Training [58.07391711548269]
Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
論文参考訳（メタデータ） (2023-03-23T17:59:02Z)
Adaptive Siamese Tracking with a Compact Latent Network [219.38172719948048]
追跡タスクを分類に変換することで,シームズをベースとしたトラッカーを簡易化する直感的なビューを提供する。そこで本研究では,視覚シミュレーションと実追跡例を用いて,詳細な解析を行う。そこで我々は,古典的なSiamRPN++,SiamFC,SiamBANの3つのトラッカーを調整した。
論文参考訳（メタデータ） (2023-02-02T08:06:02Z)
AdaNeRF: Adaptive Sampling for Real-time Rendering of Neural Radiance Fields [8.214695794896127]
新たなビュー合成は、スパース観測から直接神経放射場を学習することで、近年革新されている。この新たなパラダイムによる画像のレンダリングは、ボリュームレンダリング方程式の正確な4分の1は、各光線に対して大量のサンプルを必要とするため、遅い。本稿では,必要なサンプル点数を最大限に削減する方法を学習し,方向性を示す新しいデュアルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-07-21T05:59:13Z)
iNNformant: Boundary Samples as Telltale Watermarks [68.8204255655161]
4つの試験されたマイクロアーキテクチャのいずれかを識別できる境界サンプルの集合を生成することができることを示す。これらのセットは70dBよりも悪いピーク信号-雑音比のサンプルを含まないように構築することができる。
論文参考訳（メタデータ） (2021-06-14T11:18:32Z)
NeRF in detail: Learning to sample for view synthesis [104.75126790300735]
ニューラルレイディアンス場(NeRF)法は目覚ましい新しいビュー合成を実証している。この作業では、バニラ粗大なアプローチの明確な制限に対処します -- パフォーマンスに基づいており、手元にあるタスクのエンドツーエンドをトレーニングしていません。我々は、サンプルの提案と、そのネットワークにおける重要性を学習し、そのニューラルネットワークアーキテクチャに対する複数の代替案を検討し比較する、微分可能なモジュールを導入する。
論文参考訳（メタデータ） (2021-06-09T17:59:10Z)
Normalized Convolution Upsampling for Refined Optical Flow Estimation [23.652615797842085]
正常化された畳み込みのUPsampler (NCUP)は光学流れCNNsの訓練の間にフルレゾリューションの流れを作り出す有効な共同アップサンプリングのアプローチです。提案手法では,アップサンプリングタスクをスパース問題として定式化し,正規化畳み込みニューラルネットワークを用いて解く。 6%のエラー低減とKITTIデータセットのオンパーで、Sintelベンチマークの最新の結果を達成し、パラメータを7.5%削減します。
論文参考訳（メタデータ） (2021-02-13T18:34:03Z)
Extending LOUPE for K-space Under-sampling Pattern Optimization in Multi-coil MRI [7.7917530616285235]
MRIにおけるk空間サンプリングパターンを最適化するための以前確立されたLOフレームワークを3倍に拡張した。解析された最適サンプリングパターンは, 従来の再構成手法を用いた場合, 手作り可変密度サンプリングパターンよりも良好に動作した。
論文参考訳（メタデータ） (2020-07-28T19:41:47Z)

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。