Fugu-MT 論文翻訳(概要): Differentiable SLAM Helps Deep Learning-based LiDAR Perception Tasks

論文の概要: Differentiable SLAM Helps Deep Learning-based LiDAR Perception Tasks

arxiv url: http://arxiv.org/abs/2309.09206v1
Date: Sun, 17 Sep 2023 08:24:16 GMT
ステータス: 処理完了
システム内更新日: 2023-09-19 16:51:20.759715
Title: Differentiable SLAM Helps Deep Learning-based LiDAR Perception Tasks
Title（参考訳）: ディープラーニングベースのlidar知覚タスクを支援する differentiable slam
Authors: Prashant Kumar, Dheeraj Vattikonda, Vedang Bhupesh Shenvi Nadkarni, Erqun Dong, Sabyasachi Sahoo
Abstract要約: 本稿では,様々なLiDARアプリケーションにおけるエンド・ツー・エンドのディープラーニングモデルを学習するために,SLAMアーキテクチャを自己教師方式で活用する新しいパラダイムについて検討する。我々は、LiDARベースのモデルをトレーニングしながらSLAMロス信号を使用する新しいパラダイムが、コミュニティによって容易に採用できることを実証する。
参考スコア（独自算出の注目度）: 2.753469462596694
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We investigate a new paradigm that uses differentiable SLAM architectures in a self-supervised manner to train end-to-end deep learning models in various LiDAR based applications. To the best of our knowledge there does not exist any work that leverages SLAM as a training signal for deep learning based models. We explore new ways to improve the efficiency, robustness, and adaptability of LiDAR systems with deep learning techniques. We focus on the potential benefits of differentiable SLAM architectures for improving performance of deep learning tasks such as classification, regression as well as SLAM. Our experimental results demonstrate a non-trivial increase in the performance of two deep learning applications - Ground Level Estimation and Dynamic to Static LiDAR Translation, when used with differentiable SLAM architectures. Overall, our findings provide important insights that enhance the performance of LiDAR based navigation systems. We demonstrate that this new paradigm of using SLAM Loss signal while training LiDAR based models can be easily adopted by the community.
Abstract（参考訳）: 本稿では,様々なLiDARアプリケーションにおけるエンド・ツー・エンドのディープラーニングモデルを学習するために,SLAMアーキテクチャを自己指導的に活用する新たなパラダイムについて検討する。私たちの知る限りでは、ディープラーニングベースのモデルのトレーニング信号としてSLAMを活用する作業は存在しません。我々は,lidarシステムの効率,ロバスト性,適応性を改善する新しい手法を深層学習技術を用いて探究する。我々は、分類、回帰、SLAMといったディープラーニングタスクの性能を向上させるために、差別化可能なSLAMアーキテクチャの潜在的な利点に焦点を当てる。実験の結果,SLAMアーキテクチャを用いた場合,地上レベル推定と動的から静的へのLiDAR変換という2つの深層学習アプリケーションの性能向上を示す。その結果,LiDARに基づくナビゲーションシステムの性能向上に寄与する重要な知見が得られた。我々は、LiDARベースのモデルをトレーニングしながらSLAMロス信号を使用する新しいパラダイムが、コミュニティによって容易に採用できることを実証する。

関連論文リスト

Insights from the Inverse: Reconstructing LLM Training Goals Through Inverse RL [7.988692259455583]
Reinforcement Learning from Human Feedbackで訓練された大規模言語モデル(LLM)は、目覚ましい能力を示しているが、その基盤となる報酬関数や意思決定プロセスは不透明である。本稿では, 逆強化学習(IRL)を用いて暗黙の報酬関数を復元することにより, LLMを解釈する新しい手法を提案する。我々は,ヒトの嗜好を予測する上で,最大80.40%の精度を達成できる報酬モデルを抽出し,様々な大きさの毒性アライメントLDMについて実験を行った。
論文参考訳（メタデータ） (2024-10-16T12:14:25Z)
Learn To Learn More Precisely [30.825058308218047]
より正確に学習すること」は、モデルにデータから正確な目標知識を学習させることを目的としている。学習知識の一貫性を最大化するために,メタ自己蒸留(Meta Self-Distillation:MSD)という,シンプルで効果的なメタ学習フレームワークを提案する。 MSDは、標準シナリオと拡張シナリオの両方において、数ショットの分類タスクにおいて顕著なパフォーマンスを示す。
論文参考訳（メタデータ） (2024-08-08T17:01:26Z)
CoMMIT: Coordinated Instruction Tuning for Multimodal Large Language Models [68.64605538559312]
本稿では,MLLM命令のチューニングを理論的・経験的両面から解析する。そこで本研究では,学習バランスを定量的に評価する尺度を提案する。さらに,MLLMの生成分布の更新を促進する補助的損失正規化手法を提案する。
論文参考訳（メタデータ） (2024-07-29T23:18:55Z)
LLMs-as-Instructors: Learning from Errors Toward Automating Model Improvement [93.38736019287224]
LLMs-as-Instructors"フレームワークは、より小さなターゲットモデルのトレーニングを自律的に強化する。このフレームワークは、"Learning from Errors"理論にインスパイアされ、ターゲットモデル内の特定のエラーを注意深く分析するインストラクターLLMを使用している。本フレームワークでは,適切なトレーニングデータに対する誤応答のみに焦点を当てた「エラーからの学習」と,比較学習を用いて誤りの深い理解を行う「コントラストによるエラーからの学習」という2つの戦略を実装している。
論文参考訳（メタデータ） (2024-06-29T17:16:04Z)
Automatic Curriculum Learning with Gradient Reward Signals [0.0]
学生モデルの勾配標準情報を利用した教師モデルが学習カリキュラムを動的に適応する枠組みを導入する。本研究は,教師が困難で達成可能な学習シーケンスを作成できる能力に,勾配規範の報奨がどのような影響を及ぼすかを分析し,最終的に生徒のパフォーマンスを向上させる。
論文参考訳（メタデータ） (2023-12-21T04:19:43Z)
Forgetting before Learning: Utilizing Parametric Arithmetic for Knowledge Updating in Large Language Models [53.52344131257681]
本稿では,F-Learningと呼ばれるファインチューニングのための新しいパラダイムを提案する。これはパラメトリック算術を用いて,古い知識の忘れと新しい知識の学習を容易にする。 2つの公開データセットによる実験結果から、提案したFラーニングは、完全な微調整とLoRA微調整の両方の知識更新性能を向上させることが明らかに示されている。
論文参考訳（メタデータ） (2023-11-14T09:12:40Z)
Reinforcement Learning for Topic Models [3.42658286826597]
本稿では,ProdLDAにおける変分オートエンコーダを連続行動空間強化学習ポリシーに置き換えることにより,トピックモデリングに強化学習手法を適用した。ニューラルネットワークアーキテクチャの近代化、ELBO損失の重み付け、コンテキスト埋め込みの使用、トピックの多様性と一貫性の計算による学習プロセスの監視など、いくつかの変更を導入している。
論文参考訳（メタデータ） (2023-05-08T16:41:08Z)
TRAIL: Near-Optimal Imitation Learning with Suboptimal Data [100.83688818427915]
オフラインデータセットを使用してファクタードトランジションモデルを学習するトレーニング目標を提案する。我々の理論的分析は、学習された潜在行動空間が下流模倣学習のサンプル効率を高めることを示唆している。実際に潜伏行動空間を学習するために、エネルギーベースの遷移モデルを学ぶアルゴリズムTRAIL(Transition-Reparametrized Actions for Imitation Learning)を提案する。
論文参考訳（メタデータ） (2021-10-27T21:05:00Z)
LIFT-SLAM: a deep-learning feature-based monocular visual SLAM method [0.0]
従来のジオメトリベースのVSLAMと深層学習に基づく特徴記述子の可能性を組み合わせることを提案する。 KITTIとEurocのデータセットを用いた実験では、ディープラーニングが従来のVSLAMシステムの性能向上に有効であることが示されている。
論文参考訳（メタデータ） (2021-03-31T20:35:10Z)
Towards Interpretable Deep Learning Models for Knowledge Tracing [62.75876617721375]
本稿では,深層学習に基づく知識追跡(DLKT)モデルの解釈可能性問題に対処するポストホック手法を提案する。具体的には、RNNに基づくDLKTモデルを解釈するために、レイヤワイズ関連伝搬法(LRP)を適用することに焦点をあてる。実験結果から,DLKTモデルの予測をLRP法で解釈できることを示す。
論文参考訳（メタデータ） (2020-05-13T04:03:21Z)
Learning to Explore using Active Neural SLAM [99.42064696897533]
この研究は、3D環境を探索するポリシーを学ぶためのモジュラーで階層的なアプローチを示す。提案されたモデルはPointGoalタスクに簡単に移行することができ、CVPR 2019 Habitat PointGoal Navigation Challengeの勝者となった。
論文参考訳（メタデータ） (2020-04-10T17:57:29Z)

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。