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
- 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) - Pupil Learning Mechanism [0.0]
2層ニューラルネットワーク(2LNN)のネットワーク構造と重みを修飾する瞳孔学習機構(PLM)を導出する。
PLMは、逐次学習、適応学習、完全学習、過度に適合しない学習のためのモジュールで構成されている。
実験により, PLMモジュールの設計が線形回帰モデルと従来のバックプロパゲーションベース2LNNモデルよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-07-30T06:38:44Z) - 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) - Learning from Mistakes based on Class Weighting with Application to
Neural Architecture Search [12.317568257671427]
ミスからの学習(LFM)という,シンプルで効果的な多段階最適化フレームワークを提案する。
主な目的は、将来の同様のミスを防ぐために、再重み付け技術を用いて、ターゲットタスクで効果的に実行するモデルを訓練することである。
本定式化では,モデルの検証損失を最小限に抑えてクラスウェイトを学習し,クラスワイド性能と実データにより重み付けされた画像生成装置の合成データを用いてモデルを再学習する。
論文 参考訳(メタデータ) (2021-12-01T04:56:49Z) - 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) - Bridging Imagination and Reality for Model-Based Deep Reinforcement
Learning [72.18725551199842]
BrIdging Reality and Dream (BIRD) と呼ばれる新しいモデルに基づく強化学習アルゴリズムを提案する。
虚構と実軌跡の相互情報を最大化し、虚構から学んだ政策改善を実軌跡に容易に一般化できるようにする。
提案手法は, モデルベース計画のサンプル効率を向上し, 挑戦的なビジュアル制御ベンチマークの最先端性能を実現する。
論文 参考訳(メタデータ) (2020-10-23T03:22:01Z) - 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) - Learning From Multiple Experts: Self-paced Knowledge Distillation for
Long-tailed Classification [106.08067870620218]
我々は,LFME(Learning From Multiple Experts)と呼ばれる自己評価型知識蒸留フレームワークを提案する。
提案するLFMEフレームワークは,複数の'Experts'からの知識を集約して,統一された学生モデルを学ぶ。
提案手法は,最先端の手法に比べて優れた性能が得られることを示す。
論文 参考訳(メタデータ) (2020-01-06T12:57:36Z)
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。