論文の概要: Geo-Localization Based on Dynamically Weighted Factor-Graph

• arxiv url: http://arxiv.org/abs/2311.07301v2
• Date: Thu, 16 May 2024 10:43:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-17 19:14:33.701448
• Title: Geo-Localization Based on Dynamically Weighted Factor-Graph
• Title（参考訳）: 動的重み付き因子グラフに基づくジオローカライゼーション
• Authors: Miguel Ángel Muñoz-Bañón, Alejandro Olivas, Edison Velasco-Sánchez, Francisco A. Candelas, 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）: 74.75763142610717
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• 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 lack of 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 outliers and deviations in this way. We compare our method against state-of-the-art geo-localization ones in a challenging and 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。 この多彩な特徴型の欠如は、それぞれ不明瞭さと検出の欠如によって生み出される外れ値と偏差をもたらす、表現の貧弱さを生み出します。 これらの欠点を軽減するために,本論文では,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。 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ったり粗くなったりすると、重みは動的に調整され、修正前の軌道に頼り、外周や偏差を緩和する。 我々は,現在最先端のジオローカライズ手法と比較し,検出損失の原因となる,困難で曖昧な環境下での手法を比較した。 他の手法が失敗した場合の欠点を緩和する。

関連論文リスト

• Trajectory Anomaly Detection with Language Models [21.401931052512595]
  本稿では,自己回帰因果アテンションモデル(LM-TAD)を用いた軌道異常検出のための新しい手法を提案する。 トラジェクトリをトークンの列として扱うことにより、トラジェクトリ上の確率分布を学習し、高精度な異常位置の同定を可能にする。 本実験は, 合成および実世界の両方のデータセットに対するLM-TADの有効性を実証した。
  論文  参考訳（メタデータ） (2024-09-18T17:33:31Z)
• 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)
• 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 [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• A Two-Block RNN-based Trajectory Prediction from Incomplete Trajectory [14.725386295605666]
  本稿では,ベイズフィルタフレームワークの推論ステップを近似した2ブロックRNNモデルを提案する。 提案手法は,3つのベースライン計算法と比較して予測精度を向上することを示す。 また,提案手法は誤り検出がない場合の基準値よりも予測精度がよいことを示す。
  論文  参考訳（メタデータ） (2022-03-14T13:39:44Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• 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。