論文の概要: Dynamically Weighted Factor-Graph for Feature-based Geo-localization
- arxiv url: http://arxiv.org/abs/2311.07301v1
- Date: Mon, 13 Nov 2023 12:44:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 14:23:53.889846
- Title: Dynamically Weighted Factor-Graph for Feature-based Geo-localization
- Title(参考訳): 特徴量に基づく局所化のための動的重み付け因子グラフ
- Authors: Miguel \'Angel Mu\~noz-Ba\~n\'on, Alejandro Olivas, Edison
Velasco-S\'anchez, Francisco A. Candelas and Fernando Torres
- Abstract要約: 特徴に基づくジオローカライゼーションは、航空画像から抽出された特徴と車両のセンサーによって検出された特徴とを関連付けることに依存する。
これにより、ランドマークの種類は両方のソースから観測できなければならない。
車両軌道推定のための動的重み付き因子グラフモデルを提案する。
- 参考スコア(独自算出の注目度): 77.27071369070079
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Feature-based geo-localization relies on associating features extracted from
aerial imagery with those detected by the vehicle's sensors. This requires that
the type of landmarks must be observable from both sources. This no-variety of
feature types generates poor representations that lead to outliers and
deviations, produced by ambiguities and lack of detections respectively. To
mitigate these drawbacks, in this paper, we present a dynamically weighted
factor graph model for the vehicle's trajectory estimation. The weight
adjustment in this implementation depends on information quantification in the
detections performed using a LiDAR sensor. Also, a prior (GNSS-based) error
estimation is included in the model. Then, when the representation becomes
ambiguous or sparse, the weights are dynamically adjusted to rely on the
corrected prior trajectory, mitigating in this way outliers and deviations. We
compare our method against state-of-the-art geo-localization ones in a
challenging ambiguous environment, where we also cause detection losses. We
demonstrate mitigation of the mentioned drawbacks where the other methods fail.
- Abstract(参考訳): 特徴に基づくジオローカライゼーションは、航空画像から抽出された特徴と車両のセンサーによって検出された特徴とを関連付けることに依存する。
これにより、ランドマークの種類は両方のソースから観測できなければならない。
この特徴型の非可変性は、それぞれ曖昧さと検出の欠如によって生じる異常値と偏差をもたらす貧弱な表現を生成する。
これらの欠点を緩和するため,本稿では,車両の軌道推定のための動的重み付け係数グラフモデルを提案する。
この実装における重み調整は、LiDARセンサを用いた検出における情報の定量化に依存する。
また、モデルに事前(GNSSに基づく)誤差推定を含める。
そして、表現があいまいになる、あるいは疎らくなると、重みは動的に調整され、修正された事前軌跡に依存し、この方法で外れ値や偏差を緩和する。
本手法は,不明瞭な環境下において最先端のジオローカライズ手法と比較し,検出損失を発生させる。
他のメソッドが失敗する場合の、前述の欠点の軽減を示す。
関連論文リスト
- Map-aided annotation for pole base detection [0.0]
本稿では2次元HDマップを用いて,画像中の極状特徴を自動的にアノテートする。
高さ情報がない場合、地図の特徴は地上のポールベースとして表現される。
ポールベースを検出するためにオブジェクト検出器をどのように訓練するかを示す。
論文 参考訳(メタデータ) (2024-03-04T09:23:11Z) - Fascinating Supervisory Signals and Where to Find Them: Deep Anomaly
Detection with Scale Learning [11.245813423781415]
我々は、データラベルとして特性-スケール-を導入することで、データのための新しいデータ駆動監視を考案する。
スケールは変換された表現にアタッチされたラベルとして機能し、ニューラルネットワークのトレーニングに十分なラベル付きデータを提供する。
本稿では,大規模学習に基づく異常検出手法を提案する。
論文 参考訳(メタデータ) (2023-05-25T14:48:00Z) - RadarGNN: Transformation Invariant Graph Neural Network for Radar-based
Perception [0.0]
点自体の情報だけでなく,それらの関係も利用する新しいグラフニューラルネットワークが提案されている。
このモデルは、グラフの端に埋め込まれたポイント特徴とポイントペア特徴の両方を考慮するように設計されている。
RadarGNNモデルは、RadarScenesデータセットで以前のすべてのメソッドより優れています。
論文 参考訳(メタデータ) (2023-04-13T13:57:21Z) - Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。
本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-06T14:49:59Z) - Detecting Rotated Objects as Gaussian Distributions and Its 3-D
Generalization [81.29406957201458]
既存の検出方法は、パラメータ化バウンディングボックス(BBox)を使用して(水平)オブジェクトをモデル化し、検出する。
このような機構は回転検出に有効な回帰損失を構築するのに基本的な限界があると主張する。
回転した物体をガウス分布としてモデル化することを提案する。
2次元から3次元へのアプローチを、方向推定を扱うアルゴリズム設計により拡張する。
論文 参考訳(メタデータ) (2022-09-22T07:50:48Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - A Geometric Perspective towards Neural Calibration via Sensitivity
Decomposition [31.557715381838147]
視覚分類モデルがデータ分散シフトの際のキャリブレーションの低下に悩まされることはよく知られている。
本稿では,インスタンスに依存しない,インスタンスに依存しないコンポーネントに埋め込まれたサンプル特徴のノルムを分解する幾何学的感度分解(GSD)を提案する。
この分解に触発されて、我々は現在のソフトマックス線形モデルへの単純な拡張を解析的に導き、トレーニング中に2つのコンポーネントをアンタングルすることを学ぶ。
論文 参考訳(メタデータ) (2021-10-27T16:46:41Z) - Learning High-Precision Bounding Box for Rotated Object Detection via
Kullback-Leibler Divergence [100.6913091147422]
既存の回転物体検出器は、主に水平検出パラダイムから受け継がれている。
本稿では,回転回帰損失の設計を帰納パラダイムから導出手法に変更することを目的としている。
論文 参考訳(メタデータ) (2021-06-03T14:29:19Z) - Solving Missing-Annotation Object Detection with Background
Recalibration Loss [49.42997894751021]
本稿では,新しい,かつ困難な検出シナリオに焦点を当てる。 真のオブジェクト/インスタンスの大部分は,データセットにラベル付けされていない。
従来, ソフトサンプリングを用いて, 正の例と重なり合うRoIsの勾配を再重み付けする手法が提案されてきた。
本稿では、予め定義されたIoU閾値と入力画像に基づいて損失信号を自動的に校正できる、バックグラウンド校正損失(BRL)と呼ばれる優れた解を提案する。
論文 参考訳(メタデータ) (2020-02-12T23:11:46Z)
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。