論文の概要: A Probabilistic Rotation Representation for Symmetric Shapes With an
Efficiently Computable Bingham Loss Function
- arxiv url: http://arxiv.org/abs/2305.18947v1
- Date: Tue, 30 May 2023 11:26:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-31 16:52:59.178599
- Title: A Probabilistic Rotation Representation for Symmetric Shapes With an
Efficiently Computable Bingham Loss Function
- Title（参考訳）: 効率良く計算可能なビンガム損失関数を用いた対称形状の確率的回転表現
- Authors: Hiroya Sato, Takuya Ikeda, Koichi Nishiwaki
- Abstract要約: ビンガム分布に対して高速に計算可能で実装が容易なNLL損失関数を導入する。
損失関数は対象物の対称特性を点雲から捉えることができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, a deep learning framework has been widely used for object
pose estimation. While quaternion is a common choice for rotation
representation, it cannot represent the ambiguity of the observation. In order
to handle the ambiguity, the Bingham distribution is one promising solution.
However, it requires complicated calculation when yielding the negative
log-likelihood (NLL) loss. An alternative easy-to-implement loss function has
been proposed to avoid complex computations but has difficulty expressing
symmetric distribution. In this paper, we introduce a fast-computable and
easy-to-implement NLL loss function for Bingham distribution. We also create
the inference network and show that our loss function can capture the symmetric
property of target objects from their point clouds.
- Abstract（参考訳）: 近年,オブジェクトのポーズ推定にディープラーニングフレームワークが広く用いられている。
四元数は回転表現の共通の選択であるが、観測の曖昧さを表すことはできない。
曖昧さに対処するために、ビンガム分布は有望な解の1つである。
しかし、負のlog-likelihood (nll) 損失が発生すると複雑な計算が必要となる。
複雑な計算を避けるために実装容易損失関数が提案されているが、対称分布を表現するのに困難である。
本稿では,ビンガム分布に対する高速で容易に実装可能なNLL損失関数を提案する。
また、推論ネットワークを作成し、損失関数がその点クラウドから対象オブジェクトの対称特性をキャプチャできることを示します。
関連論文リスト
- 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) - Implicit Neural Representation for Mesh-Free Inverse Obstacle Scattering [21.459567997723376]
多層パーセプトロンのレベルセットとしての形状のインプシット表現は、最近、形状解析、圧縮、再構成タスクで栄えている。
メッシュフリーで逆障害物散乱問題を解決するための暗黙的ニューラルネットワーク表現に基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-04T17:16:09Z) - Probabilistic Rotation Representation With an Efficiently Computable
Bingham Loss Function and Its Application to Pose Estimation [0.0]
ビンガム分布に対する高速計算可能かつ容易に実装可能な損失関数を提案する。
また、ビンガム分布のパラメトリゼーションだけでなく、損失関数に基づく応用についても検討する。
論文 参考訳（メタデータ） (2022-03-09T00:38:28Z) - Robust Estimation for Nonparametric Families via Generative Adversarial
Networks [92.64483100338724]
我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。
我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。
技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
論文 参考訳（メタデータ） (2022-02-02T20:11:33Z) - Learning with Noisy Labels via Sparse Regularization [76.31104997491695]
ノイズの多いラベルで学習することは、正確なディープニューラルネットワークをトレーニングするための重要なタスクである。
クロスエントロピー(Cross Entropy, CE)など、一般的に使われている損失関数は、ノイズラベルへの過度なオーバーフィットに悩まされている。
我々は, スパース正規化戦略を導入し, ワンホット制約を近似する。
論文 参考訳（メタデータ） (2021-07-31T09:40:23Z) - Shaping Deep Feature Space towards Gaussian Mixture for Visual
Classification [74.48695037007306]
視覚分類のためのディープニューラルネットワークのためのガウス混合損失関数(GM)を提案する。
分類マージンと可能性正規化により、GM損失は高い分類性能と特徴分布の正確なモデリングの両方を促進する。
提案したモデルは、追加のトレーニング可能なパラメータを使わずに、簡単かつ効率的に実装できる。
論文 参考訳（メタデータ） (2020-11-18T03:32:27Z) - All your loss are belong to Bayes [28.393499629583786]
ロス関数は機械学習の基盤であり、ほとんどのアルゴリズムの出発点である。
正方形ガウス過程を用いて経路が整合なソース関数を持つランダムな過程を求める。
実験の結果は、最先端技術よりも大幅に改善された。
論文 参考訳（メタデータ） (2020-06-08T14:31:21Z) - AMC-Loss: Angular Margin Contrastive Loss for Improved Explainability in
Image Classification [8.756814963313804]
Angular Margin Contrastive Loss (AMC-Loss)は、従来のクロスエントロピー損失とともに使用される新しいロス関数である。
AMC-ロスは超球面多様体上の測地線距離と同値の判別角距離計量を用いる。
提案した幾何的制約付き損失関数は定量的な結果を適度に改善するが,ディープネット決定の解釈可能性を高めるには,質的に驚くほど有益であることがわかった。
論文 参考訳（メタデータ） (2020-04-21T08:03:14Z) - Spatially Adaptive Inference with Stochastic Feature Sampling and
Interpolation [72.40827239394565]
スパースサンプリングされた場所のみの機能を計算することを提案する。
次に、効率的な手順で特徴写像を密に再構築する。
提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
論文 参考訳（メタデータ） (2020-03-19T15:36:31Z) - Semiparametric Nonlinear Bipartite Graph Representation Learning with
Provable Guarantees [106.91654068632882]
半パラメトリック指数族分布におけるパラメータの統計的推定問題として、両部グラフを考察し、その表現学習問題を定式化する。
提案手法は, 地中真理付近で強い凸性を示すため, 勾配降下法が線形収束率を達成できることを示す。
我々の推定器は指数族内の任意のモデル誤特定に対して頑健であり、広範な実験で検証されている。
論文 参考訳（メタデータ） (2020-03-02T16:40:36Z)
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。