論文の概要: Loss Regularizing Robotic Terrain Classification

• arxiv url: http://arxiv.org/abs/2403.13695v1
• Date: Wed, 20 Mar 2024 15:57:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-21 16:18:41.931405
• Title: Loss Regularizing Robotic Terrain Classification
• Title（参考訳）: ロス正規化ロボット地形分類
• Authors: Shakti Deo Kumar, Sudhanshu Tripathi, Krishna Ujjwal, Sarvada Sakshi Jha, Suddhasil De,
• Abstract要約: 本稿では,脚ロボットの地形分類のための半教師付き手法を提案する。 提案手法は、新しい損失正規化を含む長期記憶アーキテクチャを積み重ねたものである。
• 参考スコア（独自算出の注目度）: 1.5728609542259502
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Locomotion mechanics of legged robots are suitable when pacing through difficult terrains. Recognising terrains for such robots are important to fully yoke the versatility of their movements. Consequently, robotic terrain classification becomes significant to classify terrains in real time with high accuracy. The conventional classifiers suffer from overfitting problem, low accuracy problem, high variance problem, and not suitable for live dataset. On the other hand, classifying a growing dataset is difficult for convolution based terrain classification. Supervised recurrent models are also not practical for this classification. Further, the existing recurrent architectures are still evolving to improve accuracy of terrain classification based on live variable-length sensory data collected from legged robots. This paper proposes a new semi-supervised method for terrain classification of legged robots, avoiding preprocessing of long variable-length dataset. The proposed method has a stacked Long Short-Term Memory architecture, including a new loss regularization. The proposed method solves the existing problems and improves accuracy. Comparison with the existing architectures show the improvements.
• Abstract（参考訳）: 脚のあるロボットの移動力学は、困難な地形を舗装するのに適している。 このようなロボットの地形を認識することは、その動きの汎用性を十分に理解するために重要である。 その結果、ロボット地形分類は、高精度でリアルタイムで地形を分類する上で重要である。 従来の分類器は、オーバーフィッティング問題、低精度問題、高分散問題に悩まされ、ライブデータセットには適さない。 一方、畳み込みに基づく地形分類では、成長するデータセットの分類は困難である。 更新されたリカレントモデルもこの分類には実用的ではない。 さらに、既存のリカレントアーキテクチャは、脚付きロボットから収集されたライブ可変長の知覚データに基づいて、地形分類の精度を向上させるために、いまだに進化を続けている。 本稿では,長い可変長データセットの事前処理を回避するため,脚付きロボットの地形分類のための半教師付き手法を提案する。 提案手法は、新しい損失正規化を含む長期記憶アーキテクチャを積み重ねたものである。 提案手法は既存の問題を解き、精度を向上する。 既存のアーキテクチャと比較すると、改善点が示される。

関連論文リスト

• Informative regularization for a multi-layer perceptron RR Lyrae classifier under data shift [3.303002683812084]
  本稿では,情報正規化とアドホックなトレーニング手法に基づくスケーラブルで容易に適応可能なアプローチを提案し,シフト問題を緩和する。 提案手法は,特徴量からの知識をニューラルネットワークに組み込むことで,基礎となるデータシフト問題を管理する。
  論文  参考訳（メタデータ） (2023-03-12T02:49:19Z)
• Towards Precise Model-free Robotic Grasping with Sim-to-Real Transfer Learning [11.470950882435927]
  本稿では,ロボットの把持ネットワークについて述べる。 物理ロボット実験では,1つの既知の物体と,90.91%の成功率を持つ新しい複合形状の家庭用物体を把握した。 提案した把握フレームワークは、既知の物体と未知の物体の両方において、最先端の2つの手法より優れていた。
  論文  参考訳（メタデータ） (2023-01-28T16:57:19Z)
• Continual Test-Time Domain Adaptation [94.51284735268597]
  テスト時ドメイン適応は、ソースデータを使用しずに、ソース事前訓練されたモデルをターゲットドメインに適応することを目的としている。 CoTTAは実装が容易で、市販の事前訓練モデルに簡単に組み込むことができる。
  論文  参考訳（メタデータ） (2022-03-25T11:42:02Z)
• Hyperparameter-free Continuous Learning for Domain Classification in Natural Language Understanding [60.226644697970116]
  ドメイン分類は自然言語理解(NLU)の基本課題である 既存の継続的な学習アプローチの多くは、低い精度とパフォーマンスの変動に悩まされている。 本研究では,テキストデータに対するパラメータフリー連続学習モデルを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:46:16Z)
• X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
  ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。 両世界の力を生かすために,我々は新しいX-モデルを提案する。 X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
  論文  参考訳（メタデータ） (2021-10-09T13:56:48Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• Risk Bounds for Over-parameterized Maximum Margin Classification on Sub-Gaussian Mixtures [100.55816326422773]
  線形分類問題に対する最大マージン分類器の現象について検討する。 その結果、良性的なオーバーフィットが起きる条件を正確に特徴づけます。
  論文  参考訳（メタデータ） (2021-04-28T08:25:16Z)
• An Efficient Method for the Classification of Croplands in Scarce-Label Regions [0.0]
  衛星時系列画像による農地分類の主な課題は、地表面データ不足と、未開発地域における高品質のハイパースペクトル画像の到達不能である。 ラベルなしの中解像度衛星画像は豊富だが、その恩恵を受けるにはオープンな問題だ。 自監督タスクを用いた作物分類におけるその可能性の活用方法を示す。
  論文  参考訳（メタデータ） (2021-03-17T12:10:11Z)
• Revisiting Mahalanobis Distance for Transformer-Based Out-of-Domain Detection [60.88952532574564]
  本稿では,ドメイン外インテント検出手法を徹底的に比較する。 意図分類のための3つの標準データセット上で,複数のコンテキストエンコーダとメソッドを効率良く評価する。 本研究の主目的は,超微調整トランスフォーマーを用いたドメイン内データエンコーダが優れた結果をもたらすことである。
  論文  参考訳（メタデータ） (2021-01-11T09:10:58Z)
• Semi-supervised Gated Recurrent Neural Networks for Robotic Terrain Classification [4.703075836560585]
  私たちは、高機能な機械学習技術、すなわちゲート付きリカレントニューラルネットワークが、ターゲットの脚を持つロボットが、それが横断する地形を正しく分類することを可能にすることを示しています。 半教師付きモデルの分類結果を大幅に改善するために, 生の未ラベルデータがどのように使用されるかを示す。
  論文  参考訳（メタデータ） (2020-11-24T06:25:19Z)
• A Cycle GAN Approach for Heterogeneous Domain Adaptation in Land Use Classification [0.0]
  本稿では,分類損失と距離空間アライメント項を組み込んだ改良型サイクルGANを用いて,そのようなケースに対処する新しい手法を提案する。 我々は、Google EarthとSentinel-2の画像を用いて、土地利用分類タスクのパワーを実証する。
  論文  参考訳（メタデータ） (2020-04-22T08:16:18Z)

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。