Fugu-MT 論文翻訳(概要): HyperTaxel: Hyper-Resolution for Taxel-Based Tactile Signals Through Contrastive Learning

論文の概要: HyperTaxel: Hyper-Resolution for Taxel-Based Tactile Signals Through Contrastive Learning

arxiv url: http://arxiv.org/abs/2408.08312v1
Date: Thu, 15 Aug 2024 17:59:53 GMT
ステータス: 処理完了
システム内更新日: 2024-08-16 13:05:43.253508
Title: HyperTaxel: Hyper-Resolution for Taxel-Based Tactile Signals Through Contrastive Learning
Title（参考訳）: HyperTaxel: コントラスト学習によるタキセルベースの触覚信号の高分解能化
Authors: Hongyu Li, Snehal Dikhale, Jinda Cui, Soshi Iba, Nawid Jamali,
Abstract要約: 本稿では,タクセルに基づく触覚信号の幾何学的表現を学習するための新しいフレームワークHyperTaxelを提案する。我々は、この表現と対照的な学習目標を用いて、希少な低分解能タッセル信号を高分解能接触面に符号化し、マッピングする。
参考スコア（独自算出の注目度）: 11.004032694477296
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: To achieve dexterity comparable to that of humans, robots must intelligently process tactile sensor data. Taxel-based tactile signals often have low spatial-resolution, with non-standardized representations. In this paper, we propose a novel framework, HyperTaxel, for learning a geometrically-informed representation of taxel-based tactile signals to address challenges associated with their spatial resolution. We use this representation and a contrastive learning objective to encode and map sparse low-resolution taxel signals to high-resolution contact surfaces. To address the uncertainty inherent in these signals, we leverage joint probability distributions across multiple simultaneous contacts to improve taxel hyper-resolution. We evaluate our representation by comparing it with two baselines and present results that suggest our representation outperforms the baselines. Furthermore, we present qualitative results that demonstrate the learned representation captures the geometric features of the contact surface, such as flatness, curvature, and edges, and generalizes across different objects and sensor configurations. Moreover, we present results that suggest our representation improves the performance of various downstream tasks, such as surface classification, 6D in-hand pose estimation, and sim-to-real transfer.
Abstract（参考訳）: 人間に匹敵する器用さを達成するためには、ロボットは触覚センサーデータをインテリジェントに処理する必要がある。タクセルベースの触覚信号は、しばしば空間分解能が低く、非標準化された表現を持つ。本稿では,タキセルに基づく触覚信号の幾何学的表現を学習し,空間分解能に関わる課題に対処するための新しい枠組みであるHyperTaxelを提案する。我々は、この表現と対照的な学習目標を用いて、希少な低分解能タッセル信号を高分解能接触面に符号化し、マッピングする。これらの信号に固有の不確実性に対処するために、複数の同時接触の関節確率分布を利用して、タッセル超解像を改善する。 2つのベースラインを比較して表現を評価し,その表現がベースラインより優れていることを示す。さらに、学習した表現が、平坦性、曲率、エッジなどの接触面の幾何学的特徴を捉え、異なる物体やセンサ構成にまたがって一般化することを示す定性的な結果を示す。さらに, 表層分類, 6次元のポーズ推定, sim-to-real 転送など, 様々な下流タスクの性能向上を示唆する結果が得られた。

関連論文リスト

Geometry Distributions [51.4061133324376]
本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
論文参考訳（メタデータ） (2024-11-25T04:06:48Z)
HGFF: A Deep Reinforcement Learning Framework for Lifetime Maximization in Wireless Sensor Networks [5.4894758104028245]
深部強化学習とヘテロジニアスグラフニューラルネットワークを組み合わせた新しいフレームワークを提案し,シンクの移動経路を自動構築する。実世界の異なる無線センサネットワークをシミュレートする静的マップと動的マップを10種類設計する。我々のアプローチは、あらゆる種類の地図において、既存の手法よりも一貫して優れています。
論文参考訳（メタデータ） (2024-04-11T13:09:11Z)
SIRAN: Sinkhorn Distance Regularized Adversarial Network for DEM Super-resolution using Discriminative Spatial Self-attention [5.178465447325005]
DEM(Digital Elevation Model)は、リモートセンシング領域において、表面標高情報に関連するさまざまなアプリケーションを分析し、探索するための重要な側面である。本研究では,高分解能マルチスペクトル(MX)衛星画像を用いた高分解能DEMの生成について検討する。本稿では,Sinkhorn 距離を従来の GAN に最適化することで,対角学習の安定性を向上する目的関数を提案する。
論文参考訳（メタデータ） (2023-11-27T12:03:22Z)
Scalable Self-Supervised Representation Learning from Spatiotemporal Motion Trajectories for Multimodal Computer Vision [0.0]
本稿では,GPSトラジェクトリから地理的位置の表現を学習するための自己教師付きラベルなし手法を提案する。到達可能性埋め込みは意味論的に意味のある表現であり,精度・リコール曲線(AUPRC)測定値の領域を用いて測定すると,性能が4～23%向上することを示す。
論文参考訳（メタデータ） (2022-10-07T02:41:02Z)
High-resolution Iterative Feedback Network for Camouflaged Object Detection [128.893782016078]
カモフラージュされたオブジェクトを背景に視覚的に同化させることは、オブジェクト検出アルゴリズムにとって難しい。エッジやバウンダリのぼやけた視界を生じさせる細部劣化を避けるために,高分解能テクスチャの詳細を抽出することを目的としている。我々は,高解像度特徴量による低解像度表現を反復的フィードバック方式で洗練する新しいHitNetを提案する。
論文参考訳（メタデータ） (2022-03-22T11:20:21Z)
Meta-Learning Sparse Implicit Neural Representations [69.15490627853629]
入射神経表現は、一般的な信号を表す新しい道である。現在のアプローチは、多数の信号やデータセットに対してスケールすることが難しい。メタ学習型スパースニューラル表現は,高密度メタ学習モデルよりもはるかに少ない損失が得られることを示す。
論文参考訳（メタデータ） (2021-10-27T18:02:53Z)
Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision Action Recognition [131.6328804788164]
本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。 SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
論文参考訳（メタデータ） (2020-09-01T03:38:31Z)
Symbol Spotting on Digital Architectural Floor Plans Using a Deep Learning-based Framework [76.70609932823149]
本稿では,ディープラーニング(DL)フレームワークを用いた実世界のデジタル建築フロア計画のシンボルスポッティングに焦点を当てた。本稿では,DLベースのオブジェクト検出ネットワークに特有な問題を避けるため,タイルに基づくトレーニング戦略を提案する。実世界のフロアプランにおける実験により,クラス内類似度が低く,図形的複雑性が変化するアーキテクチャシンボルの検出に成功していることが示された。
論文参考訳（メタデータ） (2020-06-01T03:16:05Z)
Learning the sense of touch in simulation: a sim-to-real strategy for vision-based tactile sensing [1.9981375888949469]
本稿では,3次元接触力分布の再構成を目的とした,視覚に基づく触覚センサについて述べる。シミュレーションデータから完全に調整されたディープニューラルネットワークをトレーニングするための戦略が提案されている。結果として得られる学習アーキテクチャは、さらなるトレーニングをすることなく、複数の触覚センサ間で直接転送可能であり、実際のデータに対して正確な予測が得られます。
論文参考訳（メタデータ） (2020-03-05T14:17:45Z)
When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
論文参考訳（メタデータ） (2020-02-24T11:35:28Z)

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。