論文の概要: Towards Robust Probabilistic Modeling on SO(3) via Rotation Laplace
Distribution
- arxiv url: http://arxiv.org/abs/2305.10465v1
- Date: Wed, 17 May 2023 12:31:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-19 18:47:48.483397
- Title: Towards Robust Probabilistic Modeling on SO(3) via Rotation Laplace
Distribution
- Title(参考訳): 回転ラプラス分布によるSO(3)のロバスト確率モデリングに向けて
- Authors: Yingda Yin, Jiangran Lyu, Yang Wang, He Wang, Baoquan Chen
- Abstract要約: 単一のRGB画像から3DoF回転を推定することは難しい問題である。
本稿では,SO(3)上の新しい回転ラプラス分布を提案する。
我々の手法は、異常値の乱れに対して堅牢であり、改善可能な低エラー領域への多くの勾配を強制する。
- 参考スコア(独自算出の注目度): 32.26083557492705
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimating the 3DoF rotation from a single RGB image is an important yet
challenging problem. As a popular approach, probabilistic rotation modeling
additionally carries prediction uncertainty information, compared to
single-prediction rotation regression. For modeling probabilistic distribution
over SO(3), it is natural to use Gaussian-like Bingham distribution and matrix
Fisher, however they are shown to be sensitive to outlier predictions, e.g.
$180^\circ$ error and thus are unlikely to converge with optimal performance.
In this paper, we draw inspiration from multivariate Laplace distribution and
propose a novel rotation Laplace distribution on SO(3). Our rotation Laplace
distribution is robust to the disturbance of outliers and enforces much
gradient to the low-error region that it can improve. In addition, we show that
our method also exhibits robustness to small noises and thus tolerates
imperfect annotations. With this benefit, we demonstrate its advantages in
semi-supervised rotation regression, where the pseudo labels are noisy. To
further capture the multi-modal rotation solution space for symmetric objects,
we extend our distribution to rotation Laplace mixture model and demonstrate
its effectiveness. Our extensive experiments show that our proposed
distribution and the mixture model achieve state-of-the-art performance in all
the rotation regression experiments over both probabilistic and
non-probabilistic baselines.
- Abstract(参考訳): 単一のRGB画像から3DoF回転を推定することは重要な問題である。
一般的なアプローチとして、確率的回転モデリングは、単予想回転回帰と比較して予測不確実性情報も持つ。
SO(3) 上の確率分布をモデル化するためには、ガウス的なビンガム分布と行列フィッシャーを用いるのが自然であるが、それらは例えば180^\circ$エラーのような外れ値の予測に敏感であり、したがって最適性能に収束することができない。
本稿では,多変量ラプラス分布からインスピレーションを得て,SO(3)上の新しい回転ラプラス分布を提案する。
我々の回転ラプラス分布は、異常値の乱れに対して頑健であり、改善可能な低エラー領域に多くの勾配を強制する。
また,本手法は小雑音に対して頑健性を示し,不完全アノテーションを許容することを示す。
この利点により、擬似ラベルがノイズである半教師付き回転回帰におけるその利点を実証する。
対称物体に対する多モード回転解空間を更に捉えるため、我々は分布をラプラス混合モデルに拡張し、その有効性を示す。
提案した分布と混合モデルにより, 確率的および非確率的ベースライン上の回転回帰実験のすべてにおいて, 最先端性能が得られることを示す。
関連論文リスト
- DiffusionPCR: Diffusion Models for Robust Multi-Step Point Cloud
Registration [73.37538551605712]
ポイントクラウド登録(PCR)は、2つのポイントクラウド間の相対的な厳密な変換を推定する。
本稿では, PCR を拡散確率過程として定式化し, ノイズ変換を基礎的真理にマッピングする。
実験ではDiffusionPCRの有効性を示し,3Dおよび3DLoMatchに対する最先端の登録リコール率(95.3%/81.6%)を得た。
論文 参考訳(メタデータ) (2023-12-05T18:59:41Z) - Delving into Discrete Normalizing Flows on SO(3) Manifold for
Probabilistic Rotation Modeling [30.09829541716024]
我々はSO(3)多様体上の新しい正規化フローを提案する。
回転正規化フローは, 条件付きタスクと条件付きタスクの両方において, 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) (2023-04-08T06:52:02Z) - Revisiting Rotation Averaging: Uncertainties and Robust Losses [51.64986160468128]
現在の手法の主な問題は、推定エピポーラを通して入力データと弱い結合しか持たない最小コスト関数である。
本稿では,点対応から回転平均化への不確実性を直接伝播させることにより,基礎となる雑音分布をモデル化することを提案する。
論文 参考訳(メタデータ) (2023-03-09T11:51:20Z) - A Laplace-inspired Distribution on SO(3) for Probabilistic Rotation
Estimation [35.242645262982045]
単一のRGB画像から3DoF回転を推定することは重要な問題である。
我々はSO(3)上の回転ラプラス分布を提案する。
実験の結果,提案手法は回転回帰タスクの最先端性能を実現することができることがわかった。
論文 参考訳(メタデータ) (2023-03-03T07:10:02Z) - Robust Gaussian Process Regression with Huber Likelihood [2.7184224088243365]
本稿では,ハマー確率分布として表される観測データの可能性を考慮した,ガウス過程フレームワークにおけるロバストなプロセスモデルを提案する。
提案モデルでは、予測統計に基づく重みを用いて、残差を拡大し、潜伏関数推定における垂直外れ値と悪レバレッジ点の影響を限定する。
論文 参考訳(メタデータ) (2023-01-19T02:59:33Z) - Generalizing Gaussian Smoothing for Random Search [23.381986209234164]
ガウススムースティング(英: Gaussian smoothing、GS)は、現在のベンチマークの摂動を用いて対象の勾配を推定する微分自由最適化アルゴリズムである。
そこで本研究では,MSEが比較的小さいような分布の誤差を最小限に抑えた摂動分布を選択することを提案する。
論文 参考訳(メタデータ) (2022-11-27T04:42:05Z) - ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。
摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。
最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
論文 参考訳(メタデータ) (2022-08-18T16:07:59Z) - Distributed Random Reshuffling over Networks [7.013052033764372]
凸関数と滑らかな対象関数の問題を解くために分散resh-upr (D-RR) アルゴリズムを提案する。
特に、滑らかな凸対象関数に対して、D-RRはD-T収束率(T がエポック数を数える)を大域ドライブ間の距離で達成する。
論文 参考訳(メタデータ) (2021-12-31T03:59:37Z) - Variational Refinement for Importance Sampling Using the Forward
Kullback-Leibler Divergence [77.06203118175335]
変分推論(VI)はベイズ推論における正確なサンプリングの代替として人気がある。
重要度サンプリング(IS)は、ベイズ近似推論手順の推定を微調整し、偏りを逸脱するためにしばしば用いられる。
近似ベイズ推論のための最適化手法とサンプリング手法の新たな組み合わせを提案する。
論文 参考訳(メタデータ) (2021-06-30T11:00:24Z) - Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。
また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
論文 参考訳(メタデータ) (2020-02-20T15:13:27Z) - Distributionally Robust Bayesian Quadrature Optimization [60.383252534861136]
確率分布が未知な分布の不確実性の下でBQOについて検討する。
標準的なBQOアプローチは、固定されたサンプル集合が与えられたときの真の期待目標のモンテカルロ推定を最大化する。
この目的のために,新しい後方サンプリングに基づくアルゴリズム,すなわち分布的に堅牢なBQO(DRBQO)を提案する。
論文 参考訳(メタデータ) (2020-01-19T12:00:33Z)
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。