論文の概要: NARUTO: Neural Active Reconstruction from Uncertain Target Observations
- arxiv url: http://arxiv.org/abs/2402.18771v1
- Date: Thu, 29 Feb 2024 00:25:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-01 16:32:53.581122
- Title: NARUTO: Neural Active Reconstruction from Uncertain Target Observations
- Title(参考訳): ナルト:不確実な標的観測から神経活動的再構築
- Authors: Ziyue Feng, Huangying Zhan, Zheng Chen, Qingan Yan, Xiangyu Xu,
Changjiang Cai, Bing Li, Qilun Zhu, Yi Xu
- Abstract要約: 本稿では,ハイブリッド型ニューラル表現と不確実性学習を組み合わせたニューラルアクティブリコンストラクションシステムであるナルートについて述べる。
我々のシステムは、不確実な観測をターゲットとして自律的に探索し、顕著な完全性と忠実さで環境を再構築する。
- 参考スコア(独自算出の注目度): 31.222257479092185
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present NARUTO, a neural active reconstruction system that combines a
hybrid neural representation with uncertainty learning, enabling high-fidelity
surface reconstruction. Our approach leverages a multi-resolution hash-grid as
the mapping backbone, chosen for its exceptional convergence speed and capacity
to capture high-frequency local features.The centerpiece of our work is the
incorporation of an uncertainty learning module that dynamically quantifies
reconstruction uncertainty while actively reconstructing the environment. By
harnessing learned uncertainty, we propose a novel uncertainty aggregation
strategy for goal searching and efficient path planning. Our system
autonomously explores by targeting uncertain observations and reconstructs
environments with remarkable completeness and fidelity. We also demonstrate the
utility of this uncertainty-aware approach by enhancing SOTA neural SLAM
systems through an active ray sampling strategy. Extensive evaluations of
NARUTO in various environments, using an indoor scene simulator, confirm its
superior performance and state-of-the-art status in active reconstruction, as
evidenced by its impressive results on benchmark datasets like Replica and
MP3D.
- Abstract(参考訳): 本研究では,ニューラル表現と不確実性学習を組み合わせた高忠実性表面再構成システムであるnarutoを提案する。
提案手法は,多分解能ハッシュグリッドをマッピングバックボーンとして活用し,その異常収束速度と高周波局所的特徴をキャプチャする能力から,環境を動的に再構築しながら再構成の不確実性を動的に定量化する不確実性学習モジュールを組み込んだものである。
学習した不確実性を利用してゴール探索と効率的な経路計画のための新しい不確実性集約戦略を提案する。
システムは,不確定な観測を目標として自律的に探索し,目覚ましい完全性と忠実度で環境を再構築する。
また,SOTAニューラルSLAMシステムを能動線サンプリング戦略により拡張することにより,この不確実性を考慮したアプローチの有用性を示す。
室内シーンシミュレーターを用いた各種環境におけるNARUTOの広範囲な評価は、ReplicaやMP3Dといったベンチマークデータセットの顕著な結果から、アクティブリビルドにおける優れたパフォーマンスと最先端のステータスを確認している。
関連論文リスト
- A Novel Feature Learning-based Bio-inspired Neural Network for Real-time
Collision-free Rescue of Multi-Robot Systems [5.478000072204037]
バイオインスパイアされたニューラルネットワークは、複雑でダイナミックな環境で救助経路を生成するために提案される。
提案されたFLBBINNは、ニューラルネットワークベースのアプローチの計算複雑性を低減することを目的としている。
その結果,提案するFLBBINNは救助活動の速度,効率,最適性を大幅に向上させることがわかった。
論文 参考訳(メタデータ) (2024-03-13T04:43:10Z) - Quantifying uncertainty for deep learning based forecasting and
flow-reconstruction using neural architecture search ensembles [0.8258451067861933]
本稿では,ディープニューラルネットワーク(DNN)の自動検出手法を提案するとともに,アンサンブルに基づく不確実性定量化にも有効であることを示す。
提案手法は,タスクの高パフォーマンスニューラルネットワークアンサンブルを検出するだけでなく,不確実性をシームレスに定量化する。
本研究では, 歴史的データからの予測と, 海面温度のスパースセンサからのフロー再構成という2つの課題に対して, この枠組みの有効性を実証する。
論文 参考訳(メタデータ) (2023-02-20T03:57:06Z) - Convolutional Neural Generative Coding: Scaling Predictive Coding to
Natural Images [79.07468367923619]
畳み込み型神経生成符号化(Conv-NGC)を開発した。
我々は、潜伏状態マップを段階的に洗練する柔軟な神経生物学的動機付けアルゴリズムを実装した。
本研究は,脳にインスパイアされたニューラル・システムによる再建と画像復調の課題に対する効果について検討する。
論文 参考訳(メタデータ) (2022-11-22T06:42:41Z) - Learning Optimal K-space Acquisition and Reconstruction using
Physics-Informed Neural Networks [46.751292014516025]
深層ニューラルネットワークは、アンサンプされたk空間データの再構成に応用され、再構成性能が改善されている。
本研究は,k空間サンプリング軌道を正規微分方程式(ODE)問題と考えることによって学習する新しい枠組みを提案する。
実験は、異なるシーケンスで取得された様々な生き残りデータセット(例えば、脳と膝の画像)で実施された。
論文 参考訳(メタデータ) (2022-04-05T20:28:42Z) - An optimised deep spiking neural network architecture without gradients [7.183775638408429]
本稿では、局所シナプスおよびしきい値適応ルールを用いたエンドツーエンドのトレーニング可能なモジュラーイベント駆動ニューラルアーキテクチャを提案する。
このアーキテクチャは、既存のスパイキングニューラルネットワーク(SNN)アーキテクチャの高度に抽象化されたモデルを表している。
論文 参考訳(メタデータ) (2021-09-27T05:59:12Z) - Backprop-Free Reinforcement Learning with Active Neural Generative
Coding [84.11376568625353]
動的環境におけるエラー(バックプロップ)のバックプロパゲーションを伴わない行動駆動型生成モデルの学習のための計算フレームワークを提案する。
我々は、まばらな報酬でも機能するインテリジェントエージェントを開発し、推論として計画の認知理論からインスピレーションを得ている。
我々のエージェントの堅牢な性能は、神経推論と学習のためのバックプロップフリーアプローチがゴール指向の行動を促進するという有望な証拠を提供する。
論文 参考訳(メタデータ) (2021-07-10T19:02:27Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z) - Modeling the Nonsmoothness of Modern Neural Networks [35.93486244163653]
ピークの大きさの和(SMP)という特徴を用いて不滑らかさを定量化する。
この非平滑性機能は、ニューラルネットワークの回帰ベースのアプリケーションのためのフォレンジックツールとして利用される可能性があると考えます。
論文 参考訳(メタデータ) (2021-03-26T20:55:19Z) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳(メタデータ) (2021-03-17T08:28:30Z) - Attribute-Guided Adversarial Training for Robustness to Natural
Perturbations [64.35805267250682]
本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。
我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
論文 参考訳(メタデータ) (2020-12-03T10:17:30Z) - An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。
この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文 参考訳(メタデータ) (2020-06-19T22:05:19Z)
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。