論文の概要: Fast Kernel Scene Flow

• arxiv url: http://arxiv.org/abs/2403.05896v1
• Date: Sat, 9 Mar 2024 12:24:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 11:52:23.198921
• Title: Fast Kernel Scene Flow
• Title（参考訳）: 高速カーネルシーンフロー
• Authors: Xueqian Li and Simon Lucey
• Abstract要約: 効率的なライダーシーンフロー推定における最先端性能を示す新しい位置符号化型カーネルを提案する。 提案手法の重要な特徴は,高密度ライダーデータ(8k-144kポイント)によるリアルタイムに近い性能であり,ロボット工学や自律走行シナリオにおける様々な実践的応用を可能にする。
• 参考スコア（独自算出の注目度）: 44.28000710831124
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In contrast to current state-of-the-art methods, such as NSFP [25], which employ deep implicit neural functions for modeling scene flow, we present a novel approach that utilizes classical kernel representations. This representation enables our approach to effectively handle dense lidar points while demonstrating exceptional computational efficiency -- compared to recent deep approaches -- achieved through the solution of a linear system. As a runtime optimization-based method, our model exhibits impressive generalizability across various out-of-distribution scenarios, achieving competitive performance on large-scale lidar datasets. We propose a new positional encoding-based kernel that demonstrates state-of-the-art performance in efficient lidar scene flow estimation on large-scale point clouds. An important highlight of our method is its near real-time performance (~150-170 ms) with dense lidar data (~8k-144k points), enabling a variety of practical applications in robotics and autonomous driving scenarios.
• Abstract（参考訳）: シーンフローのモデル化に深い暗黙的ニューラル関数を用いるnsfp[25]のような現在の最先端手法とは対照的に,古典的カーネル表現を用いた新しいアプローチを提案する。 この表現は、線形システムの解法によって達成された最近の深いアプローチと比較して、特別な計算効率を示すと同時に、密集したライダーポイントを効果的に扱うことができる。 ランタイム最適化に基づく手法として,大規模lidarデータセットにおける競合性能を実現するため,様々な分散シナリオにまたがって印象的な一般化性を示す。 大規模クラウド上での効率的なライダーシーンフロー推定における最先端性能を示す新しい位置符号化型カーネルを提案する。 提案手法の重要な特徴は,高密度ライダーデータ(約8k-144kポイント)によるリアルタイムに近い性能(約150-170ms)であり,ロボット工学や自律運転シナリオにおける様々な実践的応用を可能にする。

関連論文リスト

• Motion-prior Contrast Maximization for Dense Continuous-Time Motion Estimation [34.529280562470746]
  コントラスト最大化フレームワークと非直線運動を組み合わせた新たな自己監督的損失を画素レベルの軌跡の形で導入する。 連続時間運動の高密度推定では, 合成学習モデルのゼロショット性能を29%向上する。
  論文  参考訳（メタデータ） (2024-07-15T15:18:28Z)
• Scalable Optimal Margin Distribution Machine [50.281535710689795]
  ODM(Optimal margin Distribution Machine)は、新しいマージン理論に根ざした新しい統計学習フレームワークである。 本稿では,従来のODMトレーニング手法に比べて10倍近い高速化を実現するスケーラブルなODMを提案する。
  論文  参考訳（メタデータ） (2023-05-08T16:34:04Z)
• Spatio-temporal point processes with deep non-stationary kernels [18.10670233156497]
  我々は、非定常時間点過程をモデル化できる新しいディープ非定常影響カーネルを開発した。 主な考え方は、影響核を新しい一般的な低ランク分解と近似することである。 また,ログバリアペナルティを導入して条件強度の非負性制約を維持するための新たなアプローチも採っている。
  論文  参考訳（メタデータ） (2022-11-21T04:49:39Z)
• Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics [96.9177297872723]
  本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。 我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。 提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-10-12T09:12:59Z)
• Direct Localization in Underwater Acoustics via Convolutional Neural Networks: A Data-Driven Approach [31.399611901926583]
  ダイレクトローカライゼーション(DLOC)法は、一般的に間接的な2段階法よりも優れている。 水中音響DLOC法は環境の事前の知識を必要とする。 そこで本研究では,データ駆動型DLOC法を提案する。
  論文  参考訳（メタデータ） (2022-07-20T22:40:11Z)
• A Novel Long-term Iterative Mining Scheme for Video Salient Object Detection [54.53335983750033]
  短期的方法論は視覚システムの実際のメカニズムと矛盾する。 そこで本研究では,VSOD を長期にわたって実施する新しい VSOD アプローチを提案する。 提案手法は、広く使用されている5つのベンチマークデータセットにおいて、ほぼ全てのSOTAモデルより優れている。
  論文  参考訳（メタデータ） (2022-06-20T04:27:47Z)
• Distributed Dynamic Safe Screening Algorithms for Sparse Regularization [73.85961005970222]
  本稿では,分散動的安全スクリーニング(DDSS)手法を提案し,共有メモリアーキテクチャと分散メモリアーキテクチャにそれぞれ適用する。 提案手法は, 線形収束率を低次複雑度で達成し, 有限個の繰り返しにおいてほとんどすべての不活性な特徴をほぼ確実に除去できることを示す。
  論文  参考訳（メタデータ） (2022-04-23T02:45:55Z)
• Deep-Ensemble-Based Uncertainty Quantification in Spatiotemporal Graph Neural Networks for Traffic Forecasting [2.088376060651494]
  本稿では,短期交通予測のための最先端手法である拡散畳み込みリカレントニューラルネットワーク(DCRNN)に注目した。 我々はDCRNNの不確実性を定量化するスケーラブルなディープアンサンブル手法を開発した。 我々の汎用的かつスケーラブルなアプローチは、現在最先端のベイズ的手法や、多くの一般的な頻繁な手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-04T16:10:55Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• Efficient Scale Estimation Methods using Lightweight Deep Convolutional Neural Networks for Visual Tracking [16.439797365064003]
  本稿では、事前学習した軽量CNNモデルを利用して、2つの効率的なスケール推定手法を提案する。 提案手法は畳み込み特徴写像の全体的あるいは地域的表現に基づいて定式化される。 彼らは計算効率を大幅に向上させるワンパス特徴抽出プロセスを提案した。
  論文  参考訳（メタデータ） (2020-04-06T18:49:37Z)

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。