論文の概要: An Effectiveness Study Across Baseline and Neural Network-based Force Estimation Methods on the da Vinci Research Kit Si System

• arxiv url: http://arxiv.org/abs/2405.07453v2
• Date: Mon, 30 Sep 2024 05:45:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-01 21:58:33.710824
• Title: An Effectiveness Study Across Baseline and Neural Network-based Force Estimation Methods on the da Vinci Research Kit Si System
• Title（参考訳）: da Vinci Research Kit Si システムにおけるベースラインとニューラルネットワークに基づく力推定手法の有効性の検討
• Authors: Hao Yang, Ayberk Acar, Keshuai Xu, Anton Deguet, Peter Kazanzides, Jie Ying Wu,
• Abstract要約: 我々は, 力推定精度をいくつかのベースライン法と比較した。 NNに基づく手法は,両システム間での力推定精度を比較検討する。
• 参考スコア（独自算出の注目度）: 7.084224833676614
• License:
• Abstract: In this study, we further investigate the robustness and generalization ability of an neural network (NN) based force estimation method, using the da Vinci Research Kit Si (dVRK-Si). To evaluate our method's performance, we compare the force estimation accuracy with several baseline methods. We conduct comparative studies between the dVRK classic and dVRK-Si systems to benchmark the effectiveness of these approaches. We conclude that the NN-based method provides comparable force estimation accuracy across the two systems, as the average root mean square error (RMSE) over the average range of force ratio is approximately 3.07% for the dVRK classic, and 5.27% for the dVRK-Si. On the dVRK-Si, the force estimation RMSEs for all the baseline methods are 2 to 4 times larger than the NN-based method in all directions. One possible reason is, we made assumptions in the baseline methods that static forces remain the same or dynamics is time-invariant. These assumptions may hold for the dVRK Classic, as it has pre-loaded weight and maintains horizontal self balance. Since the dVRK-Si configuration does not have this property, assumptions do not hold anymore, therefore the NN-based method significantly outperforms.
• Abstract（参考訳）: 本研究では,da Vinci Research Kit Si (dVRK-Si)を用いて,ニューラルネットワーク(NN)に基づく力推定手法の堅牢性と一般化能力について検討した。 提案手法の性能を評価するため, 力推定精度をいくつかのベースライン法と比較した。 我々は,これらの手法の有効性をベンチマークするために,dVRKクラシックシステムとdVRK-Siシステムの比較研究を行う。 NN法は, 平均根平均二乗誤差(RMSE)がdVRK古典では約3.07%, dVRK-Siでは5.27%である。 dVRK-Siでは, ベースライン法全体の力推定RMSEはNN法に比べて全方向の2～4倍である。 一つの考えられる理由は、静的な力が同じか、動的に時間不変かというベースラインの手法で仮定したことである。 これらの仮定は、重量をプリロードし、水平の自己バランスを維持するため、dVRK Classicに当てはまるかもしれない。 dVRK-Si構成は、この性質を持っていないため、仮定はもはや保たないため、NNベースの手法は大幅に性能が向上する。

関連論文リスト

• Automated Bi-Fold Weighted Ensemble Algorithms and its Application to Brain Tumor Detection and Classification [0.3413711585591077]
  脳腫瘍は、特に第三世界の国々において重大な課題を引き起こす。 早期診断は、脳腫瘍を効果的に管理し、死亡率を下げる上で重要な役割を担っている。 重み付きアンサンブル法の有効性を高めることを目的とした2つの短辺二重み付き投票アンサンブルモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-31T06:38:08Z)
• Explainable Contrastive and Cost-Sensitive Learning for Cervical Cancer Classification [0.0]
  最初に、トレーニング済みの5つのCNNを微調整し、誤分類の全体的なコストを最小化する。 教師付きコントラスト学習は、モデルが重要な特徴やパターンを捉えやすくするために含まれます。 実験の結果, 精度97.29%を達成し, 開発システムの有効性を実証した。
  論文  参考訳（メタデータ） (2024-02-24T21:03:30Z)
• A Coefficient Makes SVRG Effective [55.104068027239656]
  SVRG (Variance Reduced Gradient) は理論的に説得力のある最適化手法である。 本研究では,実世界のニューラルネットワークを最適化するSVRGの可能性を示す。 分析の結果,より深いネットワークでは,SVRGの分散低減項の強度は,トレーニングが進むにつれて小さくなり,低下することが明らかとなった。
  論文  参考訳（メタデータ） (2023-11-09T18:47:44Z)
• Neural Attention: Enhancing QKV Calculation in Self-Attention Mechanism with Neural Networks [25.75678339426731]
  本稿では,QKVを用いたニューラルネットワークの計算手法について検討する。 我々は、IWSLT 2017ドイツ語翻訳タスクデータセットの実験を行い、従来の手法で近似した。 また,Wikitext-103データセットを用いてRobertaモデルをトレーニングする際の優位性を示した。
  論文  参考訳（メタデータ） (2023-10-17T17:06:26Z)
• TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization [89.54947228958494]
  本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。 本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。 TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
  論文  参考訳（メタデータ） (2023-03-20T14:12:55Z)
• Weighted Ensemble Self-Supervised Learning [67.24482854208783]
  組み立ては、モデルパフォーマンスを高めるための強力なテクニックであることが証明されている。 我々は,データ依存型重み付きクロスエントロピー損失を許容するフレームワークを開発した。 提案手法は、ImageNet-1K上での複数の評価指標において、両者に優れる。
  論文  参考訳（メタデータ） (2022-11-18T02:00:17Z)
• Performance or Trust? Why Not Both. Deep AUC Maximization with Self-Supervised Learning for COVID-19 Chest X-ray Classifications [72.52228843498193]
  ディープラーニングモデルのトレーニングでは、パフォーマンスと信頼の間に妥協をしなければなりません。 本研究は、新型コロナウイルス患者のコンピュータ支援スクリーニングのための自己教師型学習と新しい代理損失を統合したものである。
  論文  参考訳（メタデータ） (2021-12-14T21:16:52Z)
• Improving Music Performance Assessment with Contrastive Learning [78.8942067357231]
  本研究では,既存のMPAシステムを改善するための潜在的手法として,コントラスト学習について検討する。 畳み込みニューラルネットワークに適用された回帰タスクに適した重み付きコントラスト損失を導入する。 この結果から,MPA回帰タスクにおいて,コントラッシブ・ベースの手法がSoTA性能に適合し,超越できることが示唆された。
  論文  参考訳（メタデータ） (2021-08-03T19:24:25Z)
• Denoising IMU Gyroscopes with Deep Learning for Open-Loop Attitude Estimation [0.0]
  本稿では,慣性計測ユニット(IMU)のジャイロスコープを地中真実データを用いて識別する学習手法を提案する。 得られたアルゴリズムは、(目に見えない)テストシーケンスで最先端の処理を行う。
  論文  参考訳（メタデータ） (2020-02-25T08:04:31Z)
• Residual Knowledge Distillation [96.18815134719975]
  本研究は,アシスタント(A)を導入し,さらに知識を蒸留する残留知識蒸留(RKD)を提案する。 このように、S は T の特徴写像を模倣するように訓練され、A はそれらの間の残差を学習することでこの過程を支援する。 提案手法は,CIFAR-100 と ImageNet という,一般的な分類データセットにおいて魅力的な結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-21T07:49:26Z)
• Accurate Stress Assessment based on functional Near Infrared Spectroscopy using Deep Learning Approach [0.0]
  本研究では,10名の健常者から記録された脳の機能的近赤外分光法(fNIRS)を用いて,モントリオール・イメージング・ストレス・タスクによって引き起こされるストレスを評価する。 実験の結果, トレーニングされたfNIRSモデルは, 88.52～0.77%の精度で応力分類を行うことがわかった。 その低い計算コストは、リアルタイムのストレスアセスメントに適用される可能性を開く。
  論文  参考訳（メタデータ） (2020-02-14T23:55:08Z)

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。