論文の概要: QUEST: Query Stream for Practical Cooperative Perception

• arxiv url: http://arxiv.org/abs/2308.01804v3
• Date: Wed, 22 May 2024 09:08:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-26 21:02:52.406616
• Title: QUEST: Query Stream for Practical Cooperative Perception
• Title（参考訳）: QUEST: 実用的な協調認識のためのクエリストリーム
• Authors: Siqi Fan, Haibao Yu, Wenxian Yang, Jirui Yuan, Zaiqing Nie,
• Abstract要約: 本稿では,解釈可能なインスタンスレベルのフレキシブルな機能インタラクションを実現するためのクエリ協調の概念を提案する。 クロスエージェントクエリは、共同認識インスタンスの融合と、個々の未認識インスタンスの補完を通じて対話される。
• 参考スコア（独自算出の注目度）: 5.750142092931156
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cooperative perception can effectively enhance individual perception performance by providing additional viewpoint and expanding the sensing field. Existing cooperation paradigms are either interpretable (result cooperation) or flexible (feature cooperation). In this paper, we propose the concept of query cooperation to enable interpretable instance-level flexible feature interaction. To specifically explain the concept, we propose a cooperative perception framework, termed QUEST, which let query stream flow among agents. The cross-agent queries are interacted via fusion for co-aware instances and complementation for individual unaware instances. Taking camera-based vehicle-infrastructure perception as a typical practical application scene, the experimental results on the real-world dataset, DAIR-V2X-Seq, demonstrate the effectiveness of QUEST and further reveal the advantage of the query cooperation paradigm on transmission flexibility and robustness to packet dropout. We hope our work can further facilitate the cross-agent representation interaction for better cooperative perception in practice.
• Abstract（参考訳）: 協調知覚は、追加の視点を提供し、知覚場を拡大することにより、個人の知覚性能を効果的に向上させることができる。 既存の協力パラダイムは解釈可能(Result Cooper)かフレキシブル(Feature Cooper)である。 本稿では,解釈可能なインスタンスレベルのフレキシブルな機能インタラクションを実現するために,クエリ協調の概念を提案する。 この概念を具体的に説明するために、エージェント間のクエリストリームフローを許容する協調認識フレームワークQUESTを提案する。 クロスエージェントクエリは、共同認識インスタンスの融合と、個々の未認識インスタンスの補完を通じて対話される。 実世界のデータセットであるDAIR-V2X-Seqの実験結果から,QUESTの有効性を実証し,パケットドロップアウトに対する伝送柔軟性とロバスト性に対するクエリ協調パラダイムの利点を明らかにした。 我々の研究は、実際により協調的な知覚を促進するために、エージェント間の表現相互作用をさらに促進することを願っている。

関連論文リスト

• Balancing Similarity and Complementarity for Federated Learning [91.65503655796603]
  フェデレートラーニング(FL)は、モバイルとIoTシステムにおいてますます重要になっている。 FLの重要な課題の1つは、非i.d.データのような統計的不均一性を管理することである。 FL協調における類似性と相補性のバランスをとる新しいフレームワークである texttFedSaC を導入する。
  論文  参考訳（メタデータ） (2024-05-16T08:16:19Z)
• Enhancing Cooperation through Selective Interaction and Long-term Experiences in Multi-Agent Reinforcement Learning [10.932974027102619]
  本研究では,空間的囚人のジレンマゲームにおけるマルチエージェント強化学習に基づく計算フレームワークを提案する。 2つの異なるQ-ネットを用いて各エージェントをモデル化することにより、協調と相互作用の共進化ダイナミクスを解き放つ。
  論文  参考訳（メタデータ） (2024-05-04T12:42:55Z)
• CMP: Cooperative Motion Prediction with Multi-Agent Communication [17.003924388441956]
  本稿では,協調動作予測の実現可能性と有効性について検討する。 提案手法であるCMPは、LiDAR信号を入力として、追跡と予測能力を向上する。 特に、CMPは平均予測誤差を17.2%減らし、非協調条件と比較して、検出の欠如が少ない。
  論文  参考訳（メタデータ） (2024-03-26T17:53:27Z)
• What Makes Good Collaborative Views? Contrastive Mutual Information Maximization for Multi-Agent Perception [52.41695608928129]
  マルチエージェント認識(MAP)は、複数のソースからのデータを解釈することで、自律システムが複雑な環境を理解することを可能にする。 本稿では,MAPにおける協調的視点の「良い」特性を探求することに焦点を当てた中間的協調について検討する。 中間コラボレーションのための新しいフレームワークCMiMCを提案する。
  論文  参考訳（メタデータ） (2024-03-15T07:18:55Z)
• Decentralized and Lifelong-Adaptive Multi-Agent Collaborative Learning [57.652899266553035]
  分散型および生涯適応型多エージェント協調学習は、中央サーバを使わずに複数のエージェント間のコラボレーションを強化することを目的としている。 動的協調グラフを用いた分散マルチエージェント生涯協調学習アルゴリズムであるDeLAMAを提案する。
  論文  参考訳（メタデータ） (2024-03-11T09:21:11Z)
• Beyond Isolation: Multi-Agent Synergy for Improving Knowledge Graph Construction [10.1305370182537]
  本稿では,知識グラフ構築のための新しいフレームワークであるCooperKGCを紹介する。 CooperKGCは協調処理ネットワークを確立し、エンティティ、リレーション、イベント抽出タスクを同時に処理できるKGCコラボレーションチームを組み立てる。 我々の実験は、CooperKGC内の多様なエージェント間の協調と情報相互作用の促進が、単独で動作している個々の認知プロセスよりも優れた結果をもたらすことを明白に示している。
  論文  参考訳（メタデータ） (2023-12-05T07:27:08Z)
• CORE: Cooperative Reconstruction for Multi-Agent Perception [24.306731432524227]
  COREは概念的にシンプルで効果的でコミュニケーション効率の良い多エージェント協調知覚モデルである。 2つの重要な洞察に基づいて協調的な再建という新たな視点から、この課題に対処する。 大規模マルチエージェントの知覚データセットであるOPV2V上でCOREを検証する。
  論文  参考訳（メタデータ） (2023-07-21T11:50:05Z)
• Learning Action-Effect Dynamics for Hypothetical Vision-Language Reasoning Task [50.72283841720014]
  本研究では,行動の効果に関する推論を改善する新しい学習戦略を提案する。 本稿では,提案手法の有効性を実証し,性能,データ効率,一般化能力の観点から,従来のベースラインに対する優位性を論じる。
  論文  参考訳（メタデータ） (2022-12-07T05:41:58Z)
• ECO-TR: Efficient Correspondences Finding Via Coarse-to-Fine Refinement [80.94378602238432]
  粗大な処理で対応性を見出すことにより、ECO-TR(Correspondence Efficient Transformer)と呼ばれる効率的な構造を提案する。 これを実現するために、複数の変圧器ブロックは段階的に連結され、予測された座標を徐々に洗練する。 種々のスパースタスクと密マッチングタスクの実験は、既存の最先端技術に対する効率性と有効性の両方において、我々の手法の優位性を実証している。
  論文  参考訳（メタデータ） (2022-09-25T13:05:33Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)
• Sequential Cooperative Bayesian Inference [16.538512182336827]
  協調とは、データを選択するエージェントとデータから学習するエージェントが同じ目標を持ち、学習者が意図した仮説を推測することを意味する。 近年の人間と機械学習のモデルが協調の可能性を実証している。
  論文  参考訳（メタデータ） (2020-02-13T18:48:06Z)

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。