論文の概要: Terrain Classification Enhanced with Uncertainty for Space Exploration Robots from Proprioceptive Data

• arxiv url: http://arxiv.org/abs/2407.03241v1
• Date: Wed, 3 Jul 2024 16:10:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-04 13:27:21.140550
• Title: Terrain Classification Enhanced with Uncertainty for Space Exploration Robots from Proprioceptive Data
• Title（参考訳）: 原始受容データを用いた宇宙探査ロボットの不確実性を考慮した地形分類
• Authors: Mariela De Lucas Álvarez, Jichen Guo, Raul Domínguez, Matias Valdenegro-Toro,
• Abstract要約: 地層分類における不確かさを定量化するニューラルネットワークを提案する。 入力としてプロプリセプティブデータのみを使用して時系列対応アーキテクチャにおいて,モンテカルロ・ドロップアウト,DropConnect,Flipoutによるニューラルネットワークを実現する。
• 参考スコア（独自算出の注目度）: 5.62479170374811
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Terrain Classification is an essential task in space exploration, where unpredictable environments are difficult to observe using only exteroceptive sensors such as vision. Implementing Neural Network classifiers can have high performance but can be deemed untrustworthy as they lack transparency, which makes them unreliable for taking high-stakes decisions during mission planning. We address this by proposing Neural Networks with Uncertainty Quantification in Terrain Classification. We enable our Neural Networks with Monte Carlo Dropout, DropConnect, and Flipout in time series-capable architectures using only proprioceptive data as input. We use Bayesian Optimization with Hyperband for efficient hyperparameter optimization to find optimal models for trustworthy terrain classification.
• Abstract（参考訳）: 地形分類は宇宙探査において重要な課題であり、予測不可能な環境は視力などの外部受容センサーのみを用いて観測することが困難である。 ニューラルネットワークの分類器の実装は高いパフォーマンスを持つが、透明性が欠如しているため信頼できないと見なすことができる。 本稿では,地層分類における不確実性定量化を用いたニューラルネットワークの提案により,この問題に対処する。 入力としてプロプリセプティブデータのみを使用して時系列対応アーキテクチャにおいて,モンテカルロ・ドロップアウト,DropConnect,Flipoutによるニューラルネットワークを実現する。 ハイパバンドを用いたベイズ最適化を用いて,高パラメータ最適化を行い,信頼性の高い地形分類のための最適モデルを求める。

関連論文リスト

• Accurate Neural Network Pruning Requires Rethinking Sparse Optimization [87.90654868505518]
  標準コンピュータビジョンと自然言語処理の疎度ベンチマークを用いたモデルトレーニングにおいて,高い疎度が与える影響について述べる。 本稿では,視覚モデルのスパース事前学習と言語モデルのスパース微調整の両面において,この問題を軽減するための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-08-03T21:49:14Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Bayesian Hyperparameter Optimization for Deep Neural Network-Based Network Intrusion Detection [2.304713283039168]
  侵入検出問題に対してディープニューラルネットワーク(DNN)がうまく適用されている。 本稿では,ハイパーパラメータの自動最適化のための新しいベイズ最適化フレームワークを提案する。 提案手法は,ランダムな探索最適化手法よりも侵入検出性能が高いことを示す。
  論文  参考訳（メタデータ） (2022-07-07T20:08:38Z)
• Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge TPU [58.720142291102135]
  本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。 我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
  論文  参考訳（メタデータ） (2022-04-07T08:53:18Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Deep Learning with Nonsmooth Objectives [0.0]
  人工ニューラルネットワークのトレーニングにおける最大ノルムに基づく非滑らかな損失関数の利用の可能性を探る。 トレーニングデータが非常に小さいか、バランスの取れていない特別な場合において、このことが優れた分類結果をもたらす可能性があると推測する。
  論文  参考訳（メタデータ） (2021-07-14T02:01:53Z)
• Blurs Make Results Clearer: Spatial Smoothings to Improve Accuracy, Uncertainty, and Robustness [0.0]
  ベイズニューラルネットワーク(BNN)は不確実性推定とロバストネスの分野で成功している。 本稿では,CNNの近傍特徴写像点をアンサンブルする空間平滑化手法を提案する。 モデルにいくつかのぼやけた層を追加することで、空間的滑らか化がBNNの正確性、不確実性、堅牢性を改善することを実証的に示す。
  論文  参考訳（メタデータ） (2021-05-26T15:58:11Z)
• Online Limited Memory Neural-Linear Bandits with Likelihood Matching [53.18698496031658]
  本研究では,探索学習と表現学習の両方が重要な役割を果たす課題を解決するために,ニューラルネットワークの帯域について検討する。 破滅的な忘れ込みに対して耐性があり、完全にオンラインである可能性の高いマッチングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-07T14:19:07Z)
• 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)
• Learning-based 3D Occupancy Prediction for Autonomous Navigation in Occluded Environments [7.825273522024438]
  本稿では,未知空間の占有分布を確実に予測するためのディープニューラルネットワークに基づく手法を提案する。 ネットワークのトレーニングにはラベルのない非地上データを使用し、未確認環境のリアルタイムナビゲーションにそれを適用することに成功しています。
  論文  参考訳（メタデータ） (2020-11-08T13:51:34Z)

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。