論文の概要: Comparative study of subset selection methods for rapid prototyping of 3D object detection algorithms

• arxiv url: http://arxiv.org/abs/2306.17551v1
• Date: Fri, 30 Jun 2023 11:09:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-03 12:55:18.440397
• Title: Comparative study of subset selection methods for rapid prototyping of 3D object detection algorithms
• Title（参考訳）: 3次元物体検出アルゴリズムの高速プロトタイピングにおけるサブセット選択法の比較検討
• Authors: Konrad Lis, Tomasz Kryjak
• Abstract要約: プロトタイピングオブジェクト検出アルゴリズムは、エネルギーと環境への影響の観点から、時間と費用がかかる。 このようなサブセットを選択するための3つのアルゴリズム(ランダムサンプリング、クラスごとのランダムサンプリング、および提案したMONSPeC)の比較を行う。 本研究は,基本的ランダムサンプリングよりも,クラスごとのランダムサンプリングとMONSPeCの有効性が優れていることを示す実証的証拠を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object detection in 3D is a crucial aspect in the context of autonomous vehicles and drones. However, prototyping detection algorithms is time-consuming and costly in terms of energy and environmental impact. To address these challenges, one can check the effectiveness of different models by training on a subset of the original training set. In this paper, we present a comparison of three algorithms for selecting such a subset - random sampling, random per class sampling, and our proposed MONSPeC (Maximum Object Number Sampling per Class). We provide empirical evidence for the superior effectiveness of random per class sampling and MONSPeC over basic random sampling. By replacing random sampling with one of the more efficient algorithms, the results obtained on the subset are more likely to transfer to the results on the entire dataset. The code is available at: https://github.com/vision-agh/monspec.
• Abstract（参考訳）: 3Dの物体検出は、自動運転車やドローンの文脈において重要な側面である。 しかし、プロトタイピング検出アルゴリズムは、エネルギーと環境への影響の観点から、時間と費用がかかる。 これらの課題に対処するために、元のトレーニングセットのサブセットでトレーニングすることで、異なるモデルの有効性を確認することができる。 本稿では,クラスごとのランダムサンプリング,クラス毎のランダムサンプリング,および提案するMONSPeC (Maximum Object Number Sampling per Class) の3つのアルゴリズムの比較を行った。 本研究は,基本的ランダムサンプリングよりも,クラスごとのランダムサンプリングとMONSPeCが優れていることを示す実証的証拠を提供する。 ランダムサンプリングをより効率的なアルゴリズムの1つに置き換えることで、サブセットで得られる結果がデータセット全体の結果に転送される可能性が高くなる。 コードはhttps://github.com/vision-agh/monspec.com/で入手できる。

関連論文リスト

• Generalization of pixel-wise phase estimation by CNN and improvement of phase-unwrapping by MRF optimization for one-shot 3D scan [0.621405559652172]
  シングルパターンプロジェクション(ワンショット3Dスキャン)を用いたアクティブステレオ技術は、産業や医療目的などから広く注目を集めている。 ワンショット3Dスキャンの深刻な欠点はスパース再構成である。 パターンが正規かつ周期的であれば,任意のタイプの静的パターンに適用可能なワンショットスキャンのための画素ワイズ手法を提案する。
  論文  参考訳（メタデータ） (2023-09-26T10:45:04Z)
• Diffusion-based 3D Object Detection with Random Boxes [58.43022365393569]
  既存のアンカーベースの3D検出方法は、アンカーの実証的な設定に依存しており、アルゴリズムはエレガンスを欠いている。 提案するDiff3Detは,検出ボックスを生成対象として考慮し,拡散モデルから3次元オブジェクト検出のための提案生成へ移行する。 推論段階では、モデルは予測結果にランダムボックスのセットを徐々に洗練する。
  論文  参考訳（メタデータ） (2023-09-05T08:49:53Z)
• Efficient Failure Pattern Identification of Predictive Algorithms [15.02620042972929]
  本稿では,人間のアノテータチームとシーケンシャルレコメンデーションアルゴリズムからなる人間機械協調フレームワークを提案する。 その結果、様々な信号対雑音比で複数のデータセット上でのフレームワークの競合性能を実証的に実証した。
  論文  参考訳（メタデータ） (2023-06-01T14:54:42Z)
• Towards Automated Imbalanced Learning with Deep Hierarchical Reinforcement Learning [57.163525407022966]
  不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。 オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。 我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
  論文  参考訳（メタデータ） (2022-08-26T04:28:01Z)
• PointInst3D: Segmenting 3D Instances by Points [136.7261709896713]
  本稿では,ポイント単位の予測方式で機能する,完全畳み込み型3Dポイントクラウドインスタンスセグメンテーション手法を提案する。 その成功の鍵は、各サンプルポイントに適切なターゲットを割り当てることにある。 提案手法はScanNetとS3DISのベンチマークで有望な結果が得られる。
  論文  参考訳（メタデータ） (2022-04-25T02:41:46Z)
• Subject Envelope based Multitype Reconstruction Algorithm of Speech Samples of Parkinson's Disease [9.201534250475934]
  パーキンソン病(PD)のリスクは極めて深刻であり,現在PD音声認識は有効な診断方法である。 病期, コーパス, その他の因子がデータ収集に与える影響により, PDの状態を反映する1つの被験者内のすべてのサンプルの能力は様々である。 本稿では,多型再構成演算子に基づくPD音声サンプル変換アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-23T04:20:51Z)
• Learning Semantic Segmentation of Large-Scale Point Clouds with Random Sampling [52.464516118826765]
  我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。 我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。 我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
  論文  参考訳（メタデータ） (2021-07-06T05:08:34Z)
• Local policy search with Bayesian optimization [73.0364959221845]
  強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。 局所探索のための政策勾配は、しばしばランダムな摂動から得られる。 目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-06-22T16:07:02Z)
• A Systematic Characterization of Sampling Algorithms for Open-ended Language Generation [71.31905141672529]
  本稿では,自己回帰型言語モデルに広く採用されている祖先サンプリングアルゴリズムについて検討する。 エントロピー低減, 秩序保存, 斜面保全の3つの重要な特性を同定した。 これらの特性を満たすサンプリングアルゴリズムのセットが,既存のサンプリングアルゴリズムと同等に動作することがわかった。
  論文  参考訳（メタデータ） (2020-09-15T17:28:42Z)

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。