論文の概要: Querying Perception Streams with Spatial Regular Expressions

• arxiv url: http://arxiv.org/abs/2411.05946v1
• Date: Fri, 08 Nov 2024 20:15:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:07:24.864705
• Title: Querying Perception Streams with Spatial Regular Expressions
• Title（参考訳）: 空間正規表現を用いた知覚ストリームのクエリ
• Authors: Jacob Anderson, Georgios Fainekos, Bardh Hoxha, Hideki Okamoto, Danil Prokhorov,
• Abstract要約: 本研究では空間的および時間的データを含むストリーム上でのパターンマッチングのための新しいクエリ言語としてSpREを紹介する。 我々は、知覚データのためのオフラインおよびオンラインのパターンマッチングフレームワークとしてSTREMツールを開発した。 マッチングフレームワークを使用することで、296ms以内で20,000以上のマッチを見つけることができ、STREMをランタイム監視アプリケーションに適用できます。
• 参考スコア（独自算出の注目度）: 3.6814516646862683
• License:
• Abstract: Perception in fields like robotics, manufacturing, and data analysis generates large volumes of temporal and spatial data to effectively capture their environments. However, sorting through this data for specific scenarios is a meticulous and error-prone process, often dependent on the application, and lacks generality and reproducibility. In this work, we introduce SpREs as a novel querying language for pattern matching over perception streams containing spatial and temporal data derived from multi-modal dynamic environments. To highlight the capabilities of SpREs, we developed the STREM tool as both an offline and online pattern matching framework for perception data. We demonstrate the offline capabilities of STREM through a case study on a publicly available AV dataset (Woven Planet Perception) and its online capabilities through a case study integrating STREM in ROS with the CARLA simulator. We also conduct performance benchmark experiments on various SpRE queries. Using our matching framework, we are able to find over 20,000 matches within 296 ms making STREM applicable in runtime monitoring applications.
• Abstract（参考訳）: ロボット工学、製造、データ分析などの分野における知覚は、その環境を効果的に捉えるために、時間的および空間的な大量のデータを生成する。 しかしながら、特定のシナリオに対してこのデータをソートすることは、しばしばアプリケーションに依存する、細心の注意を払ってエラーを起こしやすいプロセスであり、汎用性と再現性に欠ける。 本研究では,マルチモーダルな動的環境から得られる空間的・時間的データを含む知覚ストリーム上でのパターンマッチングのための新しいクエリ言語としてSpREを紹介する。 SpREの機能を強調するために、知覚データのためのオフラインおよびオンラインパターンマッチングフレームワークとしてSTREMツールを開発した。 我々は、公開されているAVデータセット(Woven Planet Perception)のケーススタディと、ROSへのSTREM統合とCARLAシミュレータのケーススタディを通して、STREMのオフライン能力を実証する。 また、様々なspREクエリのパフォーマンスベンチマーク実験も行います。 マッチングフレームワークを使用することで、296ms以内で20,000以上のマッチを見つけることができ、STREMをランタイム監視アプリケーションに適用できます。

関連論文リスト

• STD-PLM: Understanding Both Spatial and Temporal Properties of Spatial-Temporal Data with PLM [18.56267873980915]
  STD-PLMは時空間予測と計算処理の両方を実装できる。 STD-PLMは、明示的に設計された空間的および時間的トークン化器を通して空間的時間的相関を理解する。 STD-PLMは予測タスクと計算タスクの競合性能と一般化能力を示す。
  論文  参考訳（メタデータ） (2024-07-12T08:48:16Z)
• Event-driven Real-time Retrieval in Web Search [15.235255100530496]
  本稿では,リアルタイム検索の意図を表すイベント情報を用いてクエリを拡張する。 マルチタスクトレーニングにより、イベント表現のためのモデルの能力をさらに強化する。 提案手法は既存の最先端のベースライン法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2023-12-01T06:30:31Z)
• TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
  時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。 本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
  論文  参考訳（メタデータ） (2023-05-19T10:11:21Z)
• STREAMLINE: Streaming Active Learning for Realistic Multi-Distributional Settings [2.580765958706854]
  STREAMLINEは、シナリオ駆動スライス不均衡を緩和する新しいストリーミングアクティブラーニングフレームワークである。 画像分類とオブジェクト検出タスクのための実世界のストリーミングシナリオ上でSTREAMLINEを評価する。
  論文  参考訳（メタデータ） (2023-05-18T02:01:45Z)
• CHALLENGER: Training with Attribution Maps [63.736435657236505]
  ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。 特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-05-30T13:34:46Z)
• Local Exceptionality Detection in Time Series Using Subgroup Discovery [0.5371337604556311]
  時系列データを用いた局所異常検出のための新しい手法を提案する。 この方法はデータ中の解釈可能なパターンを発見し、時系列の進行の理解と予測に使用できる。
  論文  参考訳（メタデータ） (2021-08-05T17:19:51Z)
• PSEUDo: Interactive Pattern Search in Multivariate Time Series with Locality-Sensitive Hashing and Relevance Feedback [3.347485580830609]
  PSEUDoは、マルチトラックシーケンシャルデータにおける視覚パターンを探索するための適応的機能学習技術である。 提案アルゴリズムは,サブ線形学習と推論時間を特徴とする。 我々は,PSEUDoの効率,精度,操縦性において優位性を示す。
  論文  参考訳（メタデータ） (2021-04-30T13:00:44Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• PyODDS: An End-to-end Outlier Detection System with Automated Machine Learning [55.32009000204512]
  PyODDSは、データベースサポート付きアウトレイラ検出のための、エンドツーエンドのPythonシステムである。 具体的には,探索空間を外乱検出パイプラインで定義し,与えられた探索空間内で探索戦略を作成する。 また、データサイエンスや機械学習のバックグラウンドの有無に関わらず、統一されたインターフェイスと視覚化を提供する。
  論文  参考訳（メタデータ） (2020-03-12T03:30:30Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。