Fugu-MT 論文翻訳(概要): MAC-VO: Metrics-aware Covariance for Learning-based Stereo Visual Odometry

論文の概要: MAC-VO: Metrics-aware Covariance for Learning-based Stereo Visual Odometry

arxiv url: http://arxiv.org/abs/2409.09479v1
Date: Sat, 14 Sep 2024 16:49:42 GMT
ステータス: 処理完了
システム内更新日: 2024-09-17 20:37:27.356090
Title: MAC-VO: Metrics-aware Covariance for Learning-based Stereo Visual Odometry
Title（参考訳）: MAC-VO:学習型ステレオビジュアルオドメトリーにおけるメトリクス認識の共分散
Authors: Yuheng Qiu, Yutian Chen, Zihao Zhang, Wenshan Wang, Sebastian Scherer,
Abstract要約: MAC-VOは,学習用ステレオVOである。我々のキーポイントセレクタは、学習した不確実性を利用して、グローバルな不整合に基づいて低品質な特徴をフィルタリングする。
参考スコア（独自算出の注目度）: 18.419627185893926
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose the MAC-VO, a novel learning-based stereo VO that leverages the learned metrics-aware matching uncertainty for dual purposes: selecting keypoint and weighing the residual in pose graph optimization. Compared to traditional geometric methods prioritizing texture-affluent features like edges, our keypoint selector employs the learned uncertainty to filter out the low-quality features based on global inconsistency. In contrast to the learning-based algorithms that model the scale-agnostic diagonal weight matrix for covariance, we design a metrics-aware covariance model to capture the spatial error during keypoint registration and the correlations between different axes. Integrating this covariance model into pose graph optimization enhances the robustness and reliability of pose estimation, particularly in challenging environments with varying illumination, feature density, and motion patterns. On public benchmark datasets, MAC-VO outperforms existing VO algorithms and even some SLAM algorithms in challenging environments. The covariance map also provides valuable information about the reliability of the estimated poses, which can benefit decision-making for autonomous systems.
Abstract（参考訳）: 本稿では,学習用ステレオVOであるMAC-VOを提案する。鍵点の選択とポーズグラフの残差の重み付けという2つの目的のために,学習用メトリクス認識不確実性を利用した学習用ステレオVOである。エッジのようなテクスチャに富む特徴を優先する従来の幾何学的手法と比較して、キーポイントセレクタは、学習された不確実性を利用して、グローバル不整合に基づく低品質特徴をフィルタリングする。共分散のためのスケールに依存しない対角行列をモデル化する学習に基づくアルゴリズムとは対照的に、キーポイント登録時の空間誤差と異なる軸間の相関を捉えるためのメトリクス認識共分散モデルを設計する。この共分散モデルをポーズグラフ最適化に統合することで、特に様々な照明、特徴密度、動きパターンを持つ挑戦環境において、ポーズ推定の堅牢性と信頼性が向上する。公開ベンチマークデータセットでは、MAC-VOは既存のVOアルゴリズムや、挑戦的な環境でのSLAMアルゴリズムよりも優れています。共分散マップはまた、推定されたポーズの信頼性に関する貴重な情報を提供する。

関連論文リスト

Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文参考訳（メタデータ） (2024-10-29T19:02:54Z)
Towards Understanding Variants of Invariant Risk Minimization through the Lens of Calibration [0.6906005491572401]
本稿では,Information BottleneckをベースとしたITMが,異なる環境における一貫したキャリブレーションを実現することを示す。私たちの経験的証拠は、環境全体にわたって一貫した校正を示すモデルも十分に校正されていることを示している。
論文参考訳（メタデータ） (2024-01-31T02:08:43Z)
Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文参考訳（メタデータ） (2023-10-16T05:49:28Z)
Probabilistic MIMO U-Net: Efficient and Accurate Uncertainty Estimation for Pixel-wise Regression [1.4528189330418977]
機械学習における不確実性推定は、予測モデルの信頼性と解釈可能性を高めるための最重要課題である。画素ワイド回帰タスクに対するMIMO(Multiple-Input Multiple-Output)フレームワークの適応について述べる。
論文参考訳（メタデータ） (2023-08-14T22:08:28Z)
GraphFit: Learning Multi-scale Graph-Convolutional Representation for Point Cloud Normal Estimation [31.40738037512243]
本研究では,非構造3次元点雲の高精度かつ効率的な正規推定法を提案する。我々は、より局所的な近傍幾何学を強調する正規推定のためのグラフ畳み込み特徴表現を学習する。提案手法は,様々なベンチマークデータセットにおいて,最先端の精度で競合より優れる。
論文参考訳（メタデータ） (2022-07-23T10:29:26Z)
Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文参考訳（メタデータ） (2022-07-03T06:57:07Z)
Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。グラフが現在の勾配を混合する能力を定量化する計量法を提案する。そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
論文参考訳（メタデータ） (2022-04-13T15:54:35Z)
A Model for Multi-View Residual Covariances based on Perspective Deformation [88.21738020902411]
マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
論文参考訳（メタデータ） (2022-02-01T21:21:56Z)
High-Dimensional Differentially-Private EM Algorithm: Methods and Near-Optimal Statistical Guarantees [8.089708900273804]
高次元潜在変数モデルにおける差分プライベート期待最大化(EM)アルゴリズムを設計するための一般的なフレームワークを開発している。各モデルにおいて、差分プライバシー制約による収束のほぼ最適度を確立する。この設定では、差分プライバシーを保証する近レート最適EMアルゴリズムを提案します。
論文参考訳（メタデータ） (2021-04-01T04:08:34Z)
Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文参考訳（メタデータ） (2020-12-25T07:08:50Z)

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。