論文の概要: Bi-capacity Choquet Integral for Sensor Fusion with Label Uncertainty

• arxiv url: http://arxiv.org/abs/2409.03212v1
• Date: Thu, 5 Sep 2024 03:16:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 22:18:11.323816
• Title: Bi-capacity Choquet Integral for Sensor Fusion with Label Uncertainty
• Title（参考訳）: ラベル不確実性を有するセンサフュージョン用二容量チョケット積分器
• Authors: Hersh Vakharia, Xiaoxiao Du,
• Abstract要約: 本稿では,新しいChoquet積分型核融合フレームワークBi-MIChIを提案する。 Bi-MIChIはバイポーラスケールで入力センサソースのサブセット間の相互作用を表現するためにバイキャパシティを使用する。 提案するBi-MIChIフレームワークは, 実環境と実環境の両方で有効な分類と検出性能を示す。
• 参考スコア（独自算出の注目度）: 0.6629765271909505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sensor fusion combines data from multiple sensor sources to improve reliability, robustness, and accuracy of data interpretation. The Fuzzy Integral (FI), in particular, the Choquet integral (ChI), is often used as a powerful nonlinear aggregator for fusion across multiple sensors. However, existing supervised ChI learning algorithms typically require precise training labels for each input data point, which can be difficult or impossible to obtain. Additionally, prior work on ChI fusion is often based only on the normalized fuzzy measures, which bounds the fuzzy measure values between [0, 1]. This can be limiting in cases where the underlying scales of input data sources are bipolar (i.e., between [-1, 1]). To address these challenges, this paper proposes a novel Choquet integral-based fusion framework, named Bi-MIChI (pronounced "bi-mi-kee"), which uses bi-capacities to represent the interactions between pairs of subsets of the input sensor sources on a bi-polar scale. This allows for extended non-linear interactions between the sensor sources and can lead to interesting fusion results. Bi-MIChI also addresses label uncertainty through Multiple Instance Learning, where training labels are applied to "bags" (sets) of data instead of per-instance. Our proposed Bi-MIChI framework shows effective classification and detection performance on both synthetic and real-world experiments for sensor fusion with label uncertainty. We also provide detailed analyses on the behavior of the fuzzy measures to demonstrate our fusion process.
• Abstract（参考訳）: センサ融合は、複数のセンサソースからのデータを組み合わせて、信頼性、堅牢性、データの解釈精度を向上させる。 ファジィ積分(FI)、特にチョーケ積分(ChI)は、複数のセンサーをまたいだ融合のための強力な非線形アグリゲータとしてしばしば用いられる。 しかし、既存の教師付きChI学習アルゴリズムは、通常、入力データポイントごとに正確なトレーニングラベルを必要とする。 さらに、ChI融合に関する先行研究は、しばしば [0, 1] の間のファジィ測度を束縛する正規化ファジィ測度のみに基づいている。 これは入力データソースの下位スケールが双極子である場合(すなわち [-1, 1] の間)に制限される。 これらの課題に対処するため, バイポーラスケールで入力センサソースのサブセット同士の相互作用を表現するために, バイキャパシティを用いた, Bi-MIChI (bi-mi-kee) と呼ばれる新しいChoquet積分型核融合フレームワークを提案する。 これにより、センサソース間の非線形相互作用が拡張され、興味深い融合結果がもたらされる。 Bi-MIChIはまた、複数のインスタンス学習を通じてラベルの不確実性に対処する。 提案するBi-MIChIフレームワークは,ラベルの不確実性を伴うセンサ融合のための合成および実世界の両方の実験において,効果的な分類と検出性能を示す。 また,融合過程を示すファジィ対策の挙動を詳細に分析した。

関連論文リスト

• Efficient Multi-Resolution Fusion for Remote Sensing Data with Label Uncertainty [0.7832189413179361]
  本稿では,画素レベルのトレーニングラベルを必要とせず,マルチモーダル・マルチレゾリューションリモートセンサデータを融合する新しい手法を提案する。 探索空間を削減し,MIMRFフレームワークの効率を大幅に改善する二元ファジィ測度に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-02-07T17:34:32Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Object Segmentation by Mining Cross-Modal Semantics [68.88086621181628]
  マルチモーダル特徴の融合と復号を導くために,クロスモーダル・セマンティックスをマイニングする手法を提案する。 具体的には,(1)全周減衰核融合(AF),(2)粗大デコーダ(CFD),(3)多層自己超越からなる新しいネットワークXMSNetを提案する。
  論文  参考訳（メタデータ） (2023-05-17T14:30:11Z)
• Shared Manifold Learning Using a Triplet Network for Multiple Sensor Translation and Fusion with Missing Data [2.452410403088629]
  コントラスト学習に基づくマルチモーダルアライメントネットワーク(CoMMANet)を提案する。 提案アーキテクチャでは,マルチモーダルな三重項オートエンコーダを用いて,各不均一なモジュラリティの同一クラスのサンプルが互いに近接してマッピングされるように潜在空間をクラスタリングする。
  論文  参考訳（メタデータ） (2022-10-25T20:22:09Z)
• MIXER: Multiattribute, Multiway Fusion of Uncertain Pairwise Affinities [45.00178262932004]
  本稿では,不確実なペア親和性を直接処理できるマルチウェイ融合アルゴリズムを提案する。 最初のペア関係を必要とする既存の作業とは対照的に、我々のMIXERアルゴリズムはペア親和性によって提供される付加情報を活用することにより精度を向上する。
  論文  参考訳（メタデータ） (2022-10-15T19:19:57Z)
• Bi-Bimodal Modality Fusion for Correlation-Controlled Multimodal Sentiment Analysis [96.46952672172021]
  Bi-Bimodal Fusion Network (BBFN) は、2対のモダリティ表現で融合を行う新しいエンドツーエンドネットワークである。 モデルは、モダリティ間の既知の情報不均衡により、2つのバイモーダルペアを入力として取る。
  論文  参考訳（メタデータ） (2021-07-28T23:33:42Z)
• Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor Setups [68.8204255655161]
  本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。 提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
  論文  参考訳（メタデータ） (2021-01-12T12:02:26Z)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)
• Learning Selective Sensor Fusion for States Estimation [47.76590539558037]
  本稿では,エンド・ツー・エンドのセンサ・フュージョン・モジュールであるSelectFusionを提案する。 予測中、ネットワークは異なるセンサーモードから潜伏する特徴の信頼性を評価することができる。 我々は、公開データセットと漸進的に劣化したデータセットの両方において、すべての融合戦略を広範囲に評価する。
  論文  参考訳（メタデータ） (2019-12-30T20:25:16Z)

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。