論文の概要: Towards Learning Geometric Eigen-Lengths Crucial for Fitting Tasks

• arxiv url: http://arxiv.org/abs/2312.15610v1
• Date: Mon, 25 Dec 2023 04:41:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-27 17:31:32.801996
• Title: Towards Learning Geometric Eigen-Lengths Crucial for Fitting Tasks
• Title（参考訳）: 適合課題に不可欠な幾何学的固有長の学習に向けて
• Authors: Yijia Weng, Kaichun Mo, Ruoxi Shi, Yanchao Yang, Leonidas J. Guibas
• Abstract要約: 低次元であるが決定的な幾何固有長は幾何的タスクの成功を決定することが多い。 人間はそのような重要な幾何学的固有長を共通の意味で具現化してきた。 学習システムに同様の能力が備わっているかは、いまだ不明で未解明のままである。
• 参考スコア（独自算出の注目度）: 62.89746245940464
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Some extremely low-dimensional yet crucial geometric eigen-lengths often determine the success of some geometric tasks. For example, the height of an object is important to measure to check if it can fit between the shelves of a cabinet, while the width of a couch is crucial when trying to move it through a doorway. Humans have materialized such crucial geometric eigen-lengths in common sense since they are very useful in serving as succinct yet effective, highly interpretable, and universal object representations. However, it remains obscure and underexplored if learning systems can be equipped with similar capabilities of automatically discovering such key geometric quantities from doing tasks. In this work, we therefore for the first time formulate and propose a novel learning problem on this question and set up a benchmark suite including tasks, data, and evaluation metrics for studying the problem. We focus on a family of common fitting tasks as the testbed for the proposed learning problem. We explore potential solutions and demonstrate the feasibility of learning eigen-lengths from simply observing successful and failed fitting trials. We also attempt geometric grounding for more accurate eigen-length measurement and study the reusability of the learned eigen-lengths across multiple tasks. Our work marks the first exploratory step toward learning crucial geometric eigen-lengths and we hope it can inspire future research in tackling this important yet underexplored problem.
• Abstract（参考訳）: 非常に低次元であるが重要な幾何固有長は幾何的タスクの成功を決定することが多い。 例えば、キャビネットの棚の間に収まるかどうかを測るためには、物体の高さが重要であり、戸口から移動しようとするとき、ソファの幅が不可欠である。 人間はそのような重要な幾何学的固有長を一般的な意味で具現化してきた。 しかし、このような重要な幾何学的量を自動的に発見する類似の能力を備えた学習システムが実現可能かどうかについては、いまだ不明かつ未解明である。 そこで本研究では,本問題に対する新しい学習問題を初めて定式化し,提案し,課題,データ,評価指標を含むベンチマークスイートを構築した。 提案する学習問題に対するテストベッドとして,一般的な適合タスクのファミリーに焦点をあてる。 提案手法を探索し,試行錯誤の結果から固有長学習の実現可能性を示す。 また,より正確な固有長測定のための幾何学的接地を試み,複数のタスクにわたる学習固有長の再利用可能性について検討した。 私たちの研究は重要な幾何学的固有長を学ぶための最初の探索的なステップであり、この重要で未熟な問題に取り組むための将来の研究を刺激できることを願っています。

関連論文リスト

• ShapeGrasp: Zero-Shot Task-Oriented Grasping with Large Language Models through Geometric Decomposition [8.654140442734354]
  不慣れな物体のタスク指向の把握は、動的家庭環境におけるロボットにとって必要なスキルである。 本稿では,対象物体の幾何学的分解を簡単な凸形状に生かしたゼロショットタスク指向の把握手法を提案する。 このアプローチでは、ゼロショットタスク指向の把握を容易にするために、最小限の必須情報(オブジェクト名と意図したタスク)を使用します。
  論文  参考訳（メタデータ） (2024-03-26T19:26:53Z)
• G-LLaVA: Solving Geometric Problem with Multi-Modal Large Language Model [124.68242155098189]
  大規模言語モデル(LLM)は、人間レベルの推論と生成能力に顕著な習熟性を示している。 G-LLaVAは幾何学的問題の解法において例外的な性能を示し、7Bパラメータしか持たないMathVistaベンチマークにおいて GPT-4-V を著しく上回っている。
  論文  参考訳（メタデータ） (2023-12-18T17:36:20Z)
• Multitask Learning with No Regret: from Improved Confidence Bounds to Active Learning [79.07658065326592]
  推定タスクの不確実性の定量化は、オンラインやアクティブな学習など、多くの下流アプリケーションにとって重要な課題である。 タスク間の類似性やタスクの特徴を学習者に提供できない場合、課題設定において新しいマルチタスク信頼区間を提供する。 本稿では,このパラメータを事前に知らないまま,このような改善された後悔を実現する新しいオンライン学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-08-03T13:08:09Z)
• Neural Bregman Divergences for Distance Learning [60.375385370556145]
  本稿では,入力凸ニューラルネットワークを用いて任意のブレグマン分岐を微分可能な方法で学習するための新しいアプローチを提案する。 提案手法は,新しいタスクと以前に研究されたタスクのセットにおいて,より忠実に相違点を学習することを示す。 我々のテストはさらに、既知の非対称なタスクにまで拡張するが、Bregmanでないタスクでは、不特定性にもかかわらず、我々のメソッドは競争的に機能する。
  論文  参考訳（メタデータ） (2022-06-09T20:53:15Z)
• AdaAfford: Learning to Adapt Manipulation Affordance for 3D Articulated Objects via Few-shot Interactions [13.802675708793014]
  キャビネット、ドア、蛇口などの3D音声による物体の認識と相互作用は、将来のホームアシストロボットに特別な課題をもたらす。 我々はAdaAffordという名の新しいフレームワークを提案し、より正確なインスタンス固有の後付けに手軽さを迅速に適応するために、ごく少数のテスト時間インタラクションを実行することを学習する。
  論文  参考訳（メタデータ） (2021-12-01T03:00:05Z)
• GeoQA: A Geometric Question Answering Benchmark Towards Multimodal Numerical Reasoning [172.36214872466707]
  我々は、テキスト記述、視覚図、定理知識の包括的理解を必要とする幾何学的問題を解くことに注力する。 そこで本研究では,5,010の幾何学的問題を含む幾何学的質問応答データセットGeoQAを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:34:17Z)
• Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges [50.22269760171131]
  過去10年間、データサイエンスと機械学習の実験的な革命が、ディープラーニングの手法によって生まれた。 このテキストは、統一幾何学的原理によって事前に定義された規則性を公開することに関するものである。 CNN、RNN、GNN、Transformersなど、最も成功したニューラルネットワークアーキテクチャを研究するための一般的な数学的フレームワークを提供する。
  論文  参考訳（メタデータ） (2021-04-27T21:09:51Z)
• SpatialSim: Recognizing Spatial Configurations of Objects with Graph Neural Networks [31.695447265278126]
  本稿では,外部オブザーバの視点に不変な幾何学的空間構成のクラスを学習し,比較する方法を示す。 本稿では,新しい幾何学的推論ベンチマークであるSpatialSim(Spatial similarity)を提案する。 次に,完全接続型メッセージパスグラフニューラルネットワーク(MPGNN)が示す帰納的リレーショナルバイアスが,これらの課題の解決にどのように役立つかを検討する。
  論文  参考訳（メタデータ） (2020-04-09T14:13:20Z)

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。