論文の概要: Quantifying Epistemic Uncertainty in Absolute Pose Regression

• arxiv url: http://arxiv.org/abs/2504.07260v1
• Date: Wed, 09 Apr 2025 20:32:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-11 12:21:00.222823
• Title: Quantifying Epistemic Uncertainty in Absolute Pose Regression
• Title（参考訳）: 絶対的Pose回帰におけるてんかん不確かさの定量化
• Authors: Fereidoon Zangeneh, Amit Dekel, Alessandro Pieropan, Patric Jensfelt,
• Abstract要約: 絶対的なポーズ回帰は、見ている画像からカメラのポーズを推定するソリューションを提供する。 メモリと計算効率の面で魅力的なソリューションであるが、絶対ポーズ回帰の予測はトレーニング領域の外で不正確で信頼性が低い。 本稿では,絶対ポーズ回帰モデルの不確かさを,変動フレームワーク内で観測される確率を推定して定量化する手法を提案する。
• 参考スコア（独自算出の注目度）: 47.755553816864804
• License:
• Abstract: Visual relocalization is the task of estimating the camera pose given an image it views. Absolute pose regression offers a solution to this task by training a neural network, directly regressing the camera pose from image features. While an attractive solution in terms of memory and compute efficiency, absolute pose regression's predictions are inaccurate and unreliable outside the training domain. In this work, we propose a novel method for quantifying the epistemic uncertainty of an absolute pose regression model by estimating the likelihood of observations within a variational framework. Beyond providing a measure of confidence in predictions, our approach offers a unified model that also handles observation ambiguities, probabilistically localizing the camera in the presence of repetitive structures. Our method outperforms existing approaches in capturing the relation between uncertainty and prediction error.
• Abstract（参考訳）: 視覚的再ローカライゼーションは、見ている画像からカメラのポーズを推定するタスクである。 絶対的なポーズ回帰は、ニューラルネットワークをトレーニングし、画像の特徴からカメラのポーズを直接回帰することで、このタスクの解決策を提供する。 メモリと計算効率の面で魅力的なソリューションであるが、絶対ポーズ回帰の予測はトレーニング領域の外で不正確で信頼性が低い。 本研究では,絶対ポーズ回帰モデルの疫学的不確かさを,変動フレームワーク内で観測される確率を推定して定量化する手法を提案する。 予測の信頼性の尺度を提供する以外に、我々のアプローチは観察のあいまいさも扱える統一されたモデルを提供し、反復構造の存在下でカメラを確率的に位置づけする。 提案手法は,不確実性と予測誤差の関係を捉える上で,既存の手法よりも優れている。

関連論文リスト

• Conditional Variational Autoencoders for Probabilistic Pose Regression [45.563533339332615]
  観測画像からカメラポーズの後方分布を予測するための確率的手法を提案する。 提案したトレーニング戦略は,画像が与えられたカメラポーズの生成モデルとなり,ポーズ後部分布からサンプルを抽出することができる。
  論文  参考訳（メタデータ） (2024-10-07T12:43:50Z)
• Cameras as Rays: Pose Estimation via Ray Diffusion [54.098613859015856]
  カメラのポーズを推定することは3D再構成の基本的な課題であり、まばらにサンプリングされたビューを考えると依然として困難である。 本稿では,カメラを光束として扱うカメラポーズの分散表現を提案する。 提案手法は回帰法と拡散法の両方で,CO3Dのカメラポーズ推定における最先端性能を示す。
  論文  参考訳（メタデータ） (2024-02-22T18:59:56Z)
• On the Quantification of Image Reconstruction Uncertainty without Training Data [5.057039869893053]
  本稿では,深部生成モデルを用いて近似後部分布を学習する深部変分フレームワークを提案する。 フローベースモデルを用いてターゲット後部をパラメータ化し,KL(Kullback-Leibler)の発散を最小限に抑え,正確な不確実性推定を実現する。 提案手法は信頼性と高品質な画像再構成を実現し,信頼性の高い不確実性を推定する。
  論文  参考訳（メタデータ） (2023-11-16T07:46:47Z)
• Image-to-Image Regression with Distribution-Free Uncertainty Quantification and Applications in Imaging [88.20869695803631]
  真値を含むことが保証される各画素の周囲の不確実な間隔を導出する方法を示す。 画像から画像への回帰を3つのタスクで評価する。
  論文  参考訳（メタデータ） (2022-02-10T18:59:56Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• MDN-VO: Estimating Visual Odometry with Confidence [34.8860186009308]
  視覚オドメトリー(VO)は、ロボット工学や自律システムを含む多くのアプリケーションで使われている。 本研究では、6-DoFのポーズを推定する深層学習に基づくVOモデルと、これらの推定に対する信頼度モデルを提案する。 本実験は,本モデルが故障事例の検出に加えて,最先端の性能を上回ることを示す。
  論文  参考訳（メタデータ） (2021-12-23T19:26:04Z)
• Aleatoric uncertainty for Errors-in-Variables models in deep regression [0.48733623015338234]
  Errors-in-Variablesの概念がベイズ的深部回帰においてどのように利用できるかを示す。 様々なシミュレートされた実例に沿ったアプローチについて論じる。
  論文  参考訳（メタデータ） (2021-05-19T12:37:02Z)
• Confidence Adaptive Anytime Pixel-Level Recognition [86.75784498879354]
  任意の時間推論は、いつでも停止される可能性のある予測の進行を行うモデルを必要とする。 我々は,任意のピクセルレベルの認識に対して,最初の統一とエンドツーエンドのモデルアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-01T20:01:57Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)

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。