論文の概要: FlashMix: Fast Map-Free LiDAR Localization via Feature Mixing and Contrastive-Constrained Accelerated Training

• arxiv url: http://arxiv.org/abs/2410.00702v1
• Date: Fri, 27 Sep 2024 22:30:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-05 04:25:20.074754
• Title: FlashMix: Fast Map-Free LiDAR Localization via Feature Mixing and Contrastive-Constrained Accelerated Training
• Title（参考訳）: FlashMix: 特徴混合とコントラスト制約付き加速トレーニングによる高速マップフリーLiDARローカライゼーション
• Authors: Raktim Gautam Goswami, Naman Patel, Prashanth Krishnamurthy, Farshad Khorrami,
• Abstract要約: 地図のないLiDARローカライゼーションシステムは、既知の環境内で正確にローカライズする。 ローカルポイント記述子を抽出するために,凍結したシーンに依存しないバックボーンを使用するFlashMixを提案する。 局所記述子のバッファは、メートル法学習や対照的な損失正規化と組み合わせて、桁違いの訓練を加速するために使用される。
• 参考スコア（独自算出の注目度）: 9.216146804584614
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Map-free LiDAR localization systems accurately localize within known environments by predicting sensor position and orientation directly from raw point clouds, eliminating the need for large maps and descriptors. However, their long training times hinder rapid adaptation to new environments. To address this, we propose FlashMix, which uses a frozen, scene-agnostic backbone to extract local point descriptors, aggregated with an MLP mixer to predict sensor pose. A buffer of local descriptors is used to accelerate training by orders of magnitude, combined with metric learning or contrastive loss regularization of aggregated descriptors to improve performance and convergence. We evaluate FlashMix on various LiDAR localization benchmarks, examining different regularizations and aggregators, demonstrating its effectiveness for rapid and accurate LiDAR localization in real-world scenarios. The code is available at https://github.com/raktimgg/FlashMix.
• Abstract（参考訳）: 地図のないLiDARローカライゼーションシステムは、センサの位置と方向を生の点雲から直接予測することで、既知の環境内で正確にローカライズする。 しかし、彼らの長い訓練期間は、新しい環境への急速な適応を妨げる。 そこで本研究では,MLPミキサーで集約された局所点記述子を抽出し,センサのポーズを予測するために,凍結したシーンに依存しないバックボーンを用いたFlashMixを提案する。 局所ディスクリプタのバッファは、メートル法学習やコンバージェンスを改善するために集約されたディスクリプタの対照的な損失正規化と組み合わせて、桁違いの訓練を加速するために使用される。 我々は、様々なLiDARローカライゼーションベンチマーク上でFlashMixを評価し、様々な正規化とアグリゲータを調べ、実世界のシナリオにおける高速かつ正確なLiDARローカライゼーションの有効性を実証した。 コードはhttps://github.com/raktimgg/FlashMix.comで入手できる。

関連論文リスト

• Reliable-loc: Robust sequential LiDAR global localization in large-scale street scenes based on verifiable cues [8.074154946982516]
  逐次LiDARデータにおける検証可能なキューを利用した,LiDARに基づく信頼性のあるグローバルローカライゼーション(Reliable-loc)を提案する。 本稿では,シーケンシャルなポーズの不確実性によって誘導される局所状態監視機構を提案する。 信頼性の高い場所は、大規模で複雑なストリートシーンで高い堅牢性、正確性、効率性を示す。
  論文  参考訳（メタデータ） (2024-11-09T07:28:39Z)
• SALSA: Swift Adaptive Lightweight Self-Attention for Enhanced LiDAR Place Recognition [9.216146804584614]
  本稿では,LiDAR位置認識のための新しい,軽量で効率的なフレームワークであるSALSAを提案する。 Sphereformerのバックボーンで構成されており、半径方向の窓の注意を使って、疎い離れた地点の情報を集約することができる。 リアルタイムに動作しながら、検索とメートル法の両方のローカライゼーションの観点から、様々なLiDAR位置認識データセット上の既存の手法より優れている。
  論文  参考訳（メタデータ） (2024-07-11T08:00:19Z)
• Regressor-Segmenter Mutual Prompt Learning for Crowd Counting [70.49246560246736]
  本稿では,アノテーションの差によるバイアスや不正確性を解決するために,相互学習(mPrompt)を提案する。 実験により、mPromptは平均誤差(MAE)を著しく減少させることが示された。
  論文  参考訳（メタデータ） (2023-12-04T07:53:59Z)
• RaLF: Flow-based Global and Metric Radar Localization in LiDAR Maps [8.625083692154414]
  我々は、環境のLiDARマップにレーダースキャンをローカライズするための、新しいディープニューラルネットワークベースのアプローチであるRaLFを提案する。 RaLFは、レーダーとLiDAR機能エンコーダ、グローバルなディスクリプタを生成する場所認識ヘッド、レーダースキャンとマップ間の3DF変換を予測するメートル法ローカライゼーションヘッドで構成されている。 複数の実世界の運転データセットに対する我々のアプローチを広く評価し、RaLFが位置認識とメートル法ローカライゼーションの両方において最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2023-09-18T15:37:01Z)
• FedSpeed: Larger Local Interval, Less Communication Round, and Higher Generalization Accuracy [84.45004766136663]
  フェデレートラーニング(Federated Learning)は、分散機械学習フレームワークである。 これは、局所的不整合最適と局所的過度な適合による頑丈なクライアントドリフトによってもたらされる非消滅バイアスに悩まされる。 本稿では,これらの問題による負の影響を軽減するために,新しい実用的手法であるFedSpeedを提案する。
  論文  参考訳（メタデータ） (2023-02-21T03:55:29Z)
• Acceleration of Federated Learning with Alleviated Forgetting in Local Training [61.231021417674235]
  フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。 我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。 我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
  論文  参考訳（メタデータ） (2022-03-05T02:31:32Z)
• LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
  LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法 提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。 推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
  論文  参考訳（メタデータ） (2022-02-01T20:27:46Z)
• Zero-Shot Multi-View Indoor Localization via Graph Location Networks [66.05980368549928]
  屋内ローカライゼーションは、位置ベースアプリケーションにおける基本的な問題である。 本稿では,インフラストラクチャフリーで多視点画像に基づく屋内ローカライゼーションを実現するために,新しいニューラルネットワークアーキテクチャであるGraph Location Networks(GLN)を提案する。 GLNは、メッセージパッシングネットワークを通じて画像から抽出されたロバストな位置表現に基づいて位置予測を行う。 新たにゼロショット屋内ローカライズ設定を導入し,提案したGLNを専用ゼロショットバージョンに拡張することで,その課題に対処する。
  論文  参考訳（メタデータ） (2020-08-06T07:36:55Z)
• Real-time Localization Using Radio Maps [59.17191114000146]
  パスロスに基づく簡易かつ効果的なローカライゼーション法を提案する。 提案手法では, 受信した信号強度を, 既知の位置を持つ基地局の集合から報告する。
  論文  参考訳（メタデータ） (2020-06-09T16:51:17Z)

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。