論文の概要: VKFPos: A Learning-Based Monocular Positioning with Variational Bayesian Extended Kalman Filter Integration

• arxiv url: http://arxiv.org/abs/2501.18994v1
• Date: Fri, 31 Jan 2025 09:54:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-03 22:46:12.964007
• Title: VKFPos: A Learning-Based Monocular Positioning with Variational Bayesian Extended Kalman Filter Integration
• Title（参考訳）: VKFPos:変分ベイズ拡張カルマンフィルタを用いた学習型単眼位置決め
• Authors: Jian-Yu Chen, Yi-Ru Chen, Yin-Qiao Chang, Che-Ming Li, Jann-Long Chern, Chih-Wei Huang,
• Abstract要約: 本稿では,拡張カルマンフィルタ(EKF)を用いて絶対ポス回帰(APR)と相対ポス回帰(RPR)を統合する新しいアプローチであるVKFPosを提案する。 本手法は, 単分子位置決め問題の本質的後続確率をAPR成分とRPR成分に分解可能であることを示す。 連続した画像がRPRとEKFの統合を可能にする時間的位置決めでは、VKFPosは時間的APRとモデルベースの統合方法より優れている。
• 参考スコア（独自算出の注目度）: 16.501721700639667
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper addresses the challenges in learning-based monocular positioning by proposing VKFPos, a novel approach that integrates Absolute Pose Regression (APR) and Relative Pose Regression (RPR) via an Extended Kalman Filter (EKF) within a variational Bayesian inference framework. Our method shows that the essential posterior probability of the monocular positioning problem can be decomposed into APR and RPR components. This decomposition is embedded in the deep learning model by predicting covariances in both APR and RPR branches, allowing them to account for associated uncertainties. These covariances enhance the loss functions and facilitate EKF integration. Experimental evaluations on both indoor and outdoor datasets show that the single-shot APR branch achieves accuracy on par with state-of-the-art methods. Furthermore, for temporal positioning, where consecutive images allow for RPR and EKF integration, VKFPos outperforms temporal APR and model-based integration methods, achieving superior accuracy.
• Abstract（参考訳）: 本稿では,APR(Absolute Pose Regression)とRPR(Relative Pose Regression)を統合した新しいアプローチであるVKFPosをベイズ的推論フレームワーク内で拡張カルマンフィルタ(EKF)を用いて,学習に基づく単分子位置決めの課題に対処する。 本手法は, 単分子位置決め問題の本質的後続確率をAPR成分とRPR成分に分解可能であることを示す。 この分解は、APRとRPRの両方の分岐の共分散を予測し、関連する不確実性を考慮し、ディープラーニングモデルに埋め込まれる。 これらの共分散は損失関数を高め、EKF統合を促進する。 室内および屋外の両方のデータセットに対する実験的評価は、単発のAPRブランチが最先端の手法と同等の精度を達成していることを示している。 さらに、連続した画像がRPRとEKFの統合を可能にする時間的位置決めでは、VKFPosは時間的APRとモデルに基づく統合方法よりも優れ、精度が優れている。

関連論文リスト

• Learning Spatially Adaptive $\ell_1$-Norms Weights for Convolutional Synthesis Regularization [1.1699566743796068]
  我々は、事前学習された畳み込みフィルタのファミリーを考察し、スパース特徴写像に適用された空間的に変化するパラメータを深くパラメータ化して推定する。 提案手法は,後者の手法で視覚的,定量的に比較可能な結果が得られ,同時に高い解釈が可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-03-12T15:38:11Z)
• Improving Visual Place Recognition with Sequence-Matching Receptiveness Prediction [19.577433371468533]
  本稿では,VPR手法のフレーム単位のシーケンスマッチング受容性(SMR)を予測するための教師付き学習手法を提案する。 我々の手法は、最先端および古典的なVPR技術において、VPR性能を著しく向上させる。
  論文  参考訳（メタデータ） (2025-03-10T02:01:24Z)
• Robust Local Polynomial Regression with Similarity Kernels [0.0]
  局所多項式回帰(Local Polynomial Regression, LPR)は、複雑な関係をモデル化するための非パラメトリックな手法である。 データの局所化部分集合に低度重みを付け、近接して重み付けすることで回帰関数を推定する。 従来のLPRは外れ値や高平均点に敏感であり、推定精度に大きな影響を及ぼす可能性がある。 本稿では,予測変数と応答変数の両方を重み付け機構に組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-18T11:21:26Z)
• HR-APR: APR-agnostic Framework with Uncertainty Estimation and Hierarchical Refinement for Camera Relocalisation [12.333674270678552]
  APR(Absolute Pose Regressors)は、モノクロ画像から直接カメラのポーズを推定するが、その精度は異なるクエリに対して不安定である。 不確かさを意識したAPRは、推定されたポーズに関する不確実な情報を提供し、これらの信頼できない予測の影響を軽減する。 本研究では,クエリとデータベースの特徴間のコサイン類似度推定として不確実性推定を定式化する新しいAPR非依存フレームワークHR-APRを紹介する。
  論文  参考訳（メタデータ） (2024-02-22T08:21:46Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• How to train your VAE [0.0]
  変分オートエンコーダ(VAE)は、機械学習における生成モデリングと表現学習の基盤となっている。 本稿では,ELBO(エビデンス・ロウアー・バウンド)における重要な構成要素であるKLディバージェンス(Kulback-Leibler)の解釈について検討する。 提案手法は, ELBOを後続確率のガウス混合体で再定義し, 正規化項を導入し, テクスチャリアリズムを高めるためにPatchGAN識別器を用いる。
  論文  参考訳（メタデータ） (2023-09-22T19:52:28Z)
• Federated Learning as Variational Inference: A Scalable Expectation Propagation Approach [66.9033666087719]
  本稿では,推論の視点を拡張し,フェデレート学習の変分推論の定式化について述べる。 我々は、FedEPを標準フェデレーション学習ベンチマークに適用し、収束速度と精度の両方において、強いベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-02-08T17:58:11Z)
• Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
  サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。 我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。 我々は2つの異なる社会問題に対してアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-07-07T03:57:22Z)
• Stochastic Optimization of Areas Under Precision-Recall Curves with Provable Convergence [66.83161885378192]
  ROC(AUROC)と精度リコール曲線(AUPRC)の下の領域は、不均衡問題に対する分類性能を評価するための一般的な指標である。 本稿では,深層学習のためのAUPRCの最適化手法を提案する。
  論文  参考訳（メタデータ） (2021-04-18T06:22:21Z)
• Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
  確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。 コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
  論文  参考訳（メタデータ） (2020-08-07T08:22:26Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)
• Implicit Distributional Reinforcement Learning [61.166030238490634]
  2つのディープジェネレータネットワーク(DGN)上に構築された暗黙の分布型アクター批判(IDAC) 半単純アクター (SIA) は、フレキシブルなポリシー分布を利用する。 我々は,代表的OpenAI Gym環境において,IDACが最先端のアルゴリズムより優れていることを観察する。
  論文  参考訳（メタデータ） (2020-07-13T02:52:18Z)

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。