Fugu-MT 論文翻訳(概要): Learning Priors of Human Motion With Vision Transformers

論文の概要: Learning Priors of Human Motion With Vision Transformers

arxiv url: http://arxiv.org/abs/2501.18543v1
Date: Thu, 30 Jan 2025 18:12:11 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-31 15:14:10.786432
Title: Learning Priors of Human Motion With Vision Transformers
Title（参考訳）: 視覚変換器を用いた人間の動作の事前学習
Authors: Placido Falqueto, Alberto Sanfeliu, Luigi Palopoli, Daniele Fontanelli,
Abstract要約: この情報を提供するために、視覚変換器(ViT)に基づくニューラルネットワークを提案する。この解は畳み込みニューラルネットワーク(CNN)よりも効果的に空間相関を捉えることができる。
参考スコア（独自算出の注目度）: 5.739073185982992
License:
Abstract: A clear understanding of where humans move in a scenario, their usual paths and speeds, and where they stop, is very important for different applications, such as mobility studies in urban areas or robot navigation tasks within human-populated environments. We propose in this article, a neural architecture based on Vision Transformers (ViTs) to provide this information. This solution can arguably capture spatial correlations more effectively than Convolutional Neural Networks (CNNs). In the paper, we describe the methodology and proposed neural architecture and show the experiments' results with a standard dataset. We show that the proposed ViT architecture improves the metrics compared to a method based on a CNN.
Abstract（参考訳）: 都市部における移動研究や、人口の多い環境におけるロボットナビゲーションタスクなど、さまざまなアプリケーションにおいて、人間がどこに移動するか、通常の経路や速度、そして立ち止まるかを明確に理解することが非常に重要である。本稿では、この情報を提供するために、視覚変換器(ViT)に基づくニューラルネットワークを提案する。この解は畳み込みニューラルネットワーク(CNN)よりも効果的に空間相関を捉えることができる。本稿では,その方法論と提案したニューラルアーキテクチャについて述べるとともに,実験結果を標準データセットで示す。提案するViTアーキテクチャは,CNNに基づく手法と比較して,測定精度が向上することを示す。

関連論文リスト

T-TAME: Trainable Attention Mechanism for Explaining Convolutional Networks and Vision Transformers [9.284740716447342]
ニューラルネットワークの"ブラックボックス"の性質は、説明責任が不可欠であるアプリケーションにおいて、採用の障壁となる。本稿では,T-TAME(Transformer- compatible Trainable Attention Mechanism for Explanations)を提案する。提案されたアーキテクチャとトレーニング技術は、どんな畳み込みやビジョントランスフォーマーのようなニューラルネットワークにも容易に適用できる。
論文参考訳（メタデータ） (2024-03-07T14:25:03Z)
Convolutional Initialization for Data-Efficient Vision Transformers [38.63299194992718]
小さなデータセット上のビジョントランスフォーマーネットワークのトレーニングには課題がある。 CNNはアーキテクチャ上の帰納バイアスを利用して最先端のパフォーマンスを達成することができる。我々のアプローチは、ランダムなインパルスフィルタがCNNの学習フィルタとほぼ同等の性能を達成できるという発見に動機づけられている。
論文参考訳（メタデータ） (2024-01-23T06:03:16Z)
Semantic Segmentation using Vision Transformers: A survey [0.0]
畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)はセマンティックセグメンテーションのためのアーキテクチャモデルを提供する。 ViTは画像分類に成功しており、画像のセグメンテーションや物体検出といった密集した予測タスクに直接適用することはできない。この調査は、ベンチマークデータセットを使用してセマンティックセグメンテーション用に設計されたViTアーキテクチャのパフォーマンスをレビューし、比較することを目的としている。
論文参考訳（メタデータ） (2023-05-05T04:11:00Z)
What do Vision Transformers Learn? A Visual Exploration [68.50771218442776]
視覚変換器(ViT)はコンピュータビジョンのデファクトアーキテクチャとして急速に普及しつつある。本稿では、ViT上での可視化の障害に対処し、ViTとCNNの根本的な相違について検討する。また、DeiT、CoaT、ConViT、PiT、Swin、Twinなど、さまざまなViT変種に対して大規模な可視化を行っています。
論文参考訳（メタデータ） (2022-12-13T16:55:12Z)
Comparison Analysis of Traditional Machine Learning and Deep Learning Techniques for Data and Image Classification [62.997667081978825]
本研究の目的は、コンピュータビジョン2次元オブジェクト分類タスクに使用される最も一般的な機械学習およびディープラーニング技術を分析し比較することである。まず、視覚語モデルと深部畳み込みニューラルネットワーク(DCNN)の理論的背景を示す。次に、Bag of Visual Wordsモデル、VGG16 CNN Architectureを実装します。
論文参考訳（メタデータ） (2022-04-11T11:34:43Z)
Towards Scale Consistent Monocular Visual Odometry by Learning from the Virtual World [83.36195426897768]
仮想データから絶対スケールを取得するための新しいフレームワークであるVRVOを提案する。まず、モノクロ実画像とステレオ仮想データの両方を用いて、スケール対応の異種ネットワークをトレーニングする。結果として生じるスケール一貫性の相違は、直接VOシステムと統合される。
論文参考訳（メタデータ） (2022-03-11T01:51:54Z)
Searching the Search Space of Vision Transformer [98.96601221383209]
視覚変換器は、認識や検出などの視覚的なタスクにおいて、大きな視覚的表現力を示してきた。我々は,このプロセスを自動化するために,アーキテクチャだけでなく検索空間も探索することで,ニューラルアーキテクチャサーチを提案する。空間探索プロセスに応じて広範に解析を行う汎用視覚変換器の設計ガイドラインを提供する。
論文参考訳（メタデータ） (2021-11-29T17:26:07Z)
Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
合成ドメインのみにおけるラベルの使用に焦点を当てる。提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
論文参考訳（メタデータ） (2021-11-15T18:37:43Z)
Do Vision Transformers See Like Convolutional Neural Networks? [45.69780772718875]
近年の研究では、画像分類タスクにおいて、(Vision) Transformer Model (ViT) が同等またはそれ以上の性能を達成できることが示されている。畳み込みネットワークのように振る舞うのか、それとも全く異なる視覚表現を学ぶのか? 例えば、ViTはすべての層にわたってより均一な表現を持つ。
論文参考訳（メタデータ） (2021-08-19T17:27:03Z)
Efficient Training of Visual Transformers with Small-Size Datasets [64.60765211331697]
進化的ネットワーク(CNN)に代わるアーキテクチャパラダイムとして、ビジュアルトランスフォーマー(VT)が登場している。 ImageNetでトレーニングされた場合、同等の精度を持つにもかかわらず、より小さなデータセットでのパフォーマンスは、大きく異なる可能性があることを示す。本稿では,計算オーバーヘッドの少ない画像から追加情報を抽出できる自己教師型タスクを提案する。
論文参考訳（メタデータ） (2021-06-07T16:14:06Z)
Camera-Based Adaptive Trajectory Guidance via Neural Networks [6.2843107854856965]
本稿では,屋内ロボットを動的に操作する視覚的軌跡を,ストリーミング画像データを用いて捉える手法を提案する。捕獲された軌跡は、2つのニューラルネットワークアーキテクチャを設計、訓練、比較するために使用され、連続した空間上でロボットに追従するラインの加速と操舵のコマンドを予測する。
論文参考訳（メタデータ） (2020-01-09T20:05:25Z)

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。