論文の概要: A Minimal Subset Approach for Efficient and Scalable Loop Closure

• arxiv url: http://arxiv.org/abs/2501.01791v1
• Date: Fri, 03 Jan 2025 12:48:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-06 16:38:31.596021
• Title: A Minimal Subset Approach for Efficient and Scalable Loop Closure
• Title（参考訳）: 効率的かつスケーラブルなループ閉鎖のための最小サブセットアプローチ
• Authors: Nikolaos Stathoulopoulos, Christoforos Kanellakis, George Nikolakopoulos,
• Abstract要約: 大規模および長期のミッションにおけるループ検出は、計算的に要求される。 キーフレームサンプリングは、バックエンドシステムに格納され、処理されるフレームの数を減らし、これを緩和する。 本稿では,ポーズグラフ最適化とループ閉鎖検出の併用問題に対する最適化サンプリングのギャップを解消する。
• 参考スコア（独自算出の注目度）: 7.066382982173528
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Loop closure detection in large-scale and long-term missions can be computationally demanding due to the need to identify, verify, and process numerous candidate pairs to establish edge connections for the pose graph optimization. Keyframe sampling mitigates this by reducing the number of frames stored and processed in the back-end system. In this article, we address the gap in optimized keyframe sampling for the combined problem of pose graph optimization and loop closure detection. Our Minimal Subset Approach (MSA) employs an optimization strategy with two key factors, redundancy minimization and information preservation, within a sliding window framework to efficiently reduce redundant keyframes, while preserving essential information. This method delivers comparable performance to baseline approaches, while enhancing scalability and reducing computational overhead. Finally, we evaluate MSA on relevant publicly available datasets, showcasing that it consistently performs across a wide range of environments, without requiring any manual parameter tuning.
• Abstract（参考訳）: 大規模および長期のミッションにおけるループクロージャ検出は、ポーズグラフ最適化のためのエッジ接続を確立するために、多数の候補ペアを特定し、検証し、処理する必要があるため、計算的に要求される。 キーフレームサンプリングは、バックエンドシステムに格納され、処理されるフレームの数を減らし、これを緩和する。 本稿では,ポーズグラフ最適化とループ閉鎖検出の併用問題に対して,最適化キーフレームサンプリングのギャップを解消する。 我々のミニマル・サブセット・アプローチ(MSA)は、冗長性の最小化と情報保存という2つの重要な要素を持つ最適化戦略をスライディングウインドウ・フレームワーク内に導入し、重要な情報を保持しながら、冗長なキーフレームを効率的に削減する。 この方法は、スケーラビリティを高め、計算オーバーヘッドを減らすとともに、ベースラインアプローチに匹敵するパフォーマンスを提供する。 最後に、MSAを関連する公開データセット上で評価し、手動のパラメータチューニングを必要とせず、広範囲の環境において一貫して動作することを示す。

関連論文リスト

• Towards Generalizable Trajectory Prediction Using Dual-Level Representation Learning And Adaptive Prompting [107.4034346788744]
  既存の車両軌道予測モデルは、一般化可能性、予測の不確実性、複雑な相互作用を扱う。 本研究では,(1)自己拡張(SD)とマスドレコンストラクション(MR)による二重レベル表現学習,グローバルコンテキストと細部の詳細の収集,(2)レジスタベースのクエリと事前学習の強化,クラスタリングと抑圧の必要性の排除,(3)微調整中の適応型プロンプトチューニング,メインアーキテクチャの凍結,および少数のプロンプトの最適化といった,新たなトラジェクタ予測フレームワークであるPerceiverを提案する。
  論文  参考訳（メタデータ） (2025-01-08T20:11:09Z)
• Scalable Bayesian Tensor Ring Factorization for Multiway Data Analysis [24.04852523970509]
  非パラメトリック乗算ガンマプロセス(MGP)を前もって組み込んだ新しいBTRモデルを提案する。 離散データを扱うために、クローズドフォーム更新のためのP'olya-Gamma拡張を導入する。 そこで我々は,従来のVIアルゴリズムの計算複雑性を2桁に減らした,一貫した後続シミュレーションのための効率的なギブスサンプリング器を開発した。
  論文  参考訳（メタデータ） (2024-12-04T13:55:14Z)
• Micro-Structures Graph-Based Point Cloud Registration for Balancing Efficiency and Accuracy [5.70403503863614]
  マイクロ構造グラフに基づくグローバルポイントクラウド登録手法を提案する。 提案手法は3DMatch と ETH のデータセットでよく機能する。
  論文  参考訳（メタデータ） (2024-10-29T08:36:23Z)
• POPoS: Improving Efficient and Robust Facial Landmark Detection with Parallel Optimal Position Search [34.50794776762681]
  本稿では,高精度符号化・復号化フレームワークであるParallel Optimal Position Search (POPoS)を紹介する。 Pseudo-range multilaterationは、ヒートマップエラーの修正に使われ、ランドマークのローカライゼーション精度が向上する。 1ステップの並列計算アルゴリズムを導入し、計算効率を高め、処理時間を短縮する。
  論文  参考訳（メタデータ） (2024-10-12T16:28:40Z)
• Why Sample Space Matters: Keyframe Sampling Optimization for LiDAR-based Place Recognition [6.468510459310326]
  サンプル空間の概念を導入し,LiDARを用いた位置認識のための新しいサンプリング手法を提案する。 このアプローチは、さまざまなデータセット間で堅牢なパフォーマンスを示し、屋内シナリオから屋外シナリオへのシームレスな適応を可能にします。
  論文  参考訳（メタデータ） (2024-10-03T16:29:47Z)
• SPARE: Symmetrized Point-to-Plane Distance for Robust Non-Rigid Registration [76.40993825836222]
  本研究では,SPAREを提案する。SPAREは,非剛性登録のための対称化点-平面間距離を用いた新しい定式化である。 提案手法は, 厳密でない登録問題の精度を大幅に向上し, 比較的高い解効率を維持する。
  論文  参考訳（メタデータ） (2024-05-30T15:55:04Z)
• Quantization Avoids Saddle Points in Distributed Optimization [1.579622195923387]
  分散非最適化は、多くの分散システムの重要な機能を支える。 本研究の目的は,サドル点収束を2次定常点収束に効果的に回避できることを示すことである。 簡単に調整可能な量子化により、ユーザの制御により、通信オーバーヘッドを積極的に削減できる。
  論文  参考訳（メタデータ） (2024-03-15T15:58:20Z)
• "Clustering and Conquer" Procedures for Parallel Large-Scale Ranking and Selection [0.0]
  並列コンピューティングにおいてよく使われる「分割と征服」フレームワークを,相関に基づくクラスタリングのステップを追加して修正する。 この一見単純な修正は、$mathcalO(p)$サンプルの複雑さの減少率を達成することができる。 ニューラルネットワーク探索のような大規模AIアプリケーションでは,本手法は優れた性能を示す。
  論文  参考訳（メタデータ） (2024-02-03T15:56:03Z)
• Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
  大規模未ラベルデータから学ぶための2つの戦略を提案する。 第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。 第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
  論文  参考訳（メタデータ） (2023-07-26T16:19:19Z)
• A Meta-Learning Based Precoder Optimization Framework for Rate-Splitting Multiple Access [53.191806757701215]
  本稿では,トランスミッタ(CSIT)における部分チャネル状態情報を持つRSMAプリコーダを直接最適化するために,メタラーニングに基づく事前コーダ最適化フレームワークを提案する。 コンパクトニューラルネットワークのオーバーフィッティングを利用して、ASR(Average Sum-Rate)表現を最大化することにより、実行時間を最小化しながら、他のトレーニングデータの必要性を効果的に回避する。 数値的な結果から,メタラーニングに基づく解は,中規模シナリオにおける従来のプリコーダ最適化に類似したASR性能を実現し,大規模シナリオにおける準最適低複雑性プリコーダアルゴリズムよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2023-07-17T20:31:41Z)
• Generalizing Interactive Backpropagating Refinement for Dense Prediction [0.0]
  本稿では,G-BRSレイヤの集合を導入し,グローバル・ローカライズド・リファインメントとローカライズド・リファインメントの両立を可能にした。 提案手法は,数クリックで既存の事前訓練された最先端モデルの性能を向上する。
  論文  参考訳（メタデータ） (2021-12-21T03:52:08Z)
• DESTRESS: Computation-Optimal and Communication-Efficient Decentralized Nonconvex Finite-Sum Optimization [43.31016937305845]
  インターネット・オブ・シング、ネットワークセンシング、自律システム、有限サム最適化のための分散アルゴリズムのためのフェデレーション学習。 非有限サム最適化のためのDecentralized STochastic Recursive MethodDESTRESSを開発した。 詳細な理論的および数値的な比較は、DESTRESSが事前の分散アルゴリズムにより改善されていることを示している。
  論文  参考訳（メタデータ） (2021-10-04T03:17:41Z)
• Revisiting Point Cloud Simplification: A Learnable Feature Preserving Approach [57.67932970472768]
  MeshとPoint Cloudの単純化手法は、3Dモデルの複雑さを低減しつつ、視覚的品質と関連する健全な機能を維持することを目的としている。 そこで本研究では,正解点の標本化を学習し,高速点雲の簡易化手法を提案する。 提案手法は、入力空間から任意のユーザ定義の点数を選択し、視覚的知覚誤差を最小限に抑えるために、その位置を再配置するよう訓練されたグラフニューラルネットワークアーキテクチャに依存する。
  論文  参考訳（メタデータ） (2021-09-30T10:23:55Z)
• Outlier-Robust Sparse Estimation via Non-Convex Optimization [73.18654719887205]
  空間的制約が存在する場合の高次元統計量と非破壊的最適化の関連について検討する。 これらの問題に対する新規で簡単な最適化法を開発した。 結論として、効率よくステーションに収束する一階法は、これらのタスクに対して効率的なアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2021-09-23T17:38:24Z)
• JUMBO: Scalable Multi-task Bayesian Optimization using Offline Data [86.8949732640035]
  追加データをクエリすることで制限をサイドステップするMBOアルゴリズムであるJUMBOを提案する。 GP-UCBに類似した条件下では, 応答が得られないことを示す。 実世界の2つの最適化問題に対する既存手法に対する性能改善を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-02T05:03:38Z)
• Escaping Poor Local Minima in Large Scale Robust Estimation [41.304283715031204]
  ロバストなパラメータ推定のための2つの新しいアプローチを紹介します。 最初のアルゴリズムは、貧弱なミニマから逃れる強力な能力を持つ適応的なカーネルスケーリング戦略を使用します。 第2のアルゴリズムは、一般化メジャー化最小化フレームワークと半二次昇降式を組み合わせて、シンプルで効率的なソルバーを得る。
  論文  参考訳（メタデータ） (2021-02-22T11:58:29Z)
• LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
  本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。 LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。 無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
  論文  参考訳（メタデータ） (2021-02-05T04:26:05Z)
• Pose Correction Algorithm for Relative Frames between Keyframes in SLAM [20.579218922577244]
  相対的なフレームのポーズは通常、オンラインアプリケーションを達成するためのより高速なアルゴリズムのために犠牲にされている。 本稿では,更新後のランドマーク間の相対的フレームを補正するアルゴリズムを提案する。 提案アルゴリズムは既存のSLAMシステムと容易に統合できるように設計されている。
  論文  参考訳（メタデータ） (2020-09-18T09:59:10Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)

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。