論文の概要: Low Cost, High Efficiency: LiDAR Place Recognition in Vineyards with Matryoshka Representation Learning

• arxiv url: http://arxiv.org/abs/2601.18714v1
• Date: Mon, 26 Jan 2026 17:38:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.970525
• Title: Low Cost, High Efficiency: LiDAR Place Recognition in Vineyards with Matryoshka Representation Learning
• Title（参考訳）: 低コスト, 高効率:マトリルシュカ表現学習によるブドウ園におけるLiDAR位置認識
• Authors: Judith Vilella-Cantos, Mauro Martini, Marcello Chiaberge, Mónica Ballesta, David Valiente,
• Abstract要約: 我々は、ブドウ園環境における最先端の手法を超越した、軽量でディープラーニングベースの手法であるMinkUNeXt-VINEを提案する。 提案手法は,低コストでスパースなLiDAR入力と低次元出力で高効率な実時間シナリオを実現するため,性能の向上を優先する。 その結果,提案手法により得られたトレードオフ出力の効率性や,低コストかつ低解像度な入力データに対する堅牢な性能が示された。
• 参考スコア（独自算出の注目度）: 2.5072568692549964
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Localization in agricultural environments is challenging due to their unstructured nature and lack of distinctive landmarks. Although agricultural settings have been studied in the context of object classification and segmentation, the place recognition task for mobile robots is not trivial in the current state of the art. In this study, we propose MinkUNeXt-VINE, a lightweight, deep-learning-based method that surpasses state-of-the-art methods in vineyard environments thanks to its pre-processing and Matryoshka Representation Learning multi-loss approach. Our method prioritizes enhanced performance with low-cost, sparse LiDAR inputs and lower-dimensionality outputs to ensure high efficiency in real-time scenarios. Additionally, we present a comprehensive ablation study of the results on various evaluation cases and two extensive long-term vineyard datasets employing different LiDAR sensors. The results demonstrate the efficiency of the trade-off output produced by this approach, as well as its robust performance on low-cost and low-resolution input data. The code is publicly available for reproduction.
• Abstract（参考訳）: 農業環境におけるローカライゼーションは、その非構造的な性質と顕著なランドマークの欠如により困難である。 農業環境は対象分類やセグメンテーションの文脈で研究されているが、現状では移動ロボットの場所認識作業は簡単ではない。 本研究では,MinkUNeXt-VINEを提案する。MinkUNeXt-VINEは,前処理とMatryoshka Representation Learning Multi-lossアプローチにより,ブドウ園環境における最先端の手法を超越した軽量深層学習手法である。 提案手法は,低コストでスパースなLiDAR入力と低次元出力で性能の向上を優先し,リアルタイムシナリオにおける高効率性を実現する。 さらに,異なるLiDARセンサを用いた各種評価事例と2種類の長期ブドウ園データセットの総合的分析を行った。 その結果,提案手法により得られたトレードオフ出力の効率性や,低コストかつ低解像度な入力データに対する堅牢な性能が示された。 コードは公開されており、再生可能である。

関連論文リスト

• Active Learning-Driven Lightweight YOLOv9: Enhancing Efficiency in Smart Agriculture [0.0]
  本研究は, 温室環境のエッジデバイスに設置した農業用ロボットによるトマトとトマトのリアルタイム検出の必要性に対処するものである。 これらの制約を克服するため,本研究では,能動的学習駆動型軽量物体検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-30T09:14:35Z)
• Edge-AI for Agriculture: Lightweight Vision Models for Disease Detection in Resource-Limited Settings [0.0]
  提案システムは,エッジデバイスへの展開に最適化された高度なオブジェクト検出,分類,セグメンテーションモデルを統合する。 本研究は, 精度, 計算効率, 一般化能力に着目し, 各種最先端モデルの性能を評価する。
  論文  参考訳（メタデータ） (2024-12-23T06:48:50Z)
• EVOLvE: Evaluating and Optimizing LLMs For In-Context Exploration [76.66831821738927]
  大規模言語モデル(LLM)は、不確実性の下で最適な意思決定を必要とするシナリオにおいて、未調査のままである。 多くのアプリケーションに関係のあるステートレス強化学習環境である,帯域幅を最適に決定できる LLM の (in) 能力の測定を行う。 最適な探索アルゴリズムの存在を動機として,このアルゴリズム知識をLLMに統合する効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-08T17:54:03Z)
• Recognize Any Regions [55.76437190434433]
  RegionSpotは、ローカライゼーション基盤モデルから位置認識ローカライゼーション知識と、ViLモデルからのセマンティック情報を統合する。 オープンワールドオブジェクト認識の実験では、私たちのRereaSpotは、以前の代替よりも大きなパフォーマンス向上を実現しています。
  論文  参考訳（メタデータ） (2023-11-02T16:31:49Z)
• Re-Evaluating LiDAR Scene Flow for Autonomous Driving [80.37947791534985]
  自己教師型LiDARシーンフローの一般的なベンチマークは、動的動き、非現実的な対応、非現実的なサンプリングパターンの非現実的な速度を持つ。 実世界のデータセットのスイート上で,トップメソッドのスイートを評価する。 学習に重点を置いているにもかかわらず、ほとんどのパフォーマンス向上は前処理と後処理のステップによって引き起こされる。
  論文  参考訳（メタデータ） (2023-04-04T22:45:50Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• Margin-based sampling in high dimensions: When being active is less efficient than staying passive [76.71565772067113]
  最近の経験的証拠は、辺縁に基づくアクティブラーニングが受動的ラーニングよりもさらに悪い結果をもたらす可能性があることを示唆している。 雑音のないデータであっても、PLが利得ベースALより優れていることがロジスティック回帰の証明である。 以上の結果から, この高次元現象は, クラス間の分離が小さい場合に悪化することが示唆された。
  論文  参考訳（メタデータ） (2022-12-01T18:55:59Z)
• Performance of different machine learning methods on activity recognition and pose estimation datasets [0.0]
  本稿では、リッチポーズ推定(OpenPose)とHARデータセットにおける古典的アプローチとアンサンブルアプローチを用いる。 その結果,無作為林はADLの分類において最も正確であることが示唆された。 相対的にすべてのモデルは、ロジスティック回帰とAdaBoostを除いて、両方のデータセットで優れたパフォーマンスを持つ。
  論文  参考訳（メタデータ） (2022-10-19T02:07:43Z)
• Learning crop type mapping from regional label proportions in large-scale SAR and optical imagery [9.303156731091532]
  本研究は,作物ラベルの比率を事前に用いたオンラインディープクラスタリング手法を提案し,サンプルレベル分類器を学習する。 ブラジルの2つの異なる農業地域から得られた2つの大きなデータセットを用いて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2022-08-24T15:23:26Z)
• OCTAve: 2D en face Optical Coherence Tomography Angiography Vessel Segmentation in Weakly-Supervised Learning with Locality Augmentation [14.322349196837209]
  画素レベルのアノテーションを自動化するために,スクリブルベースの弱教師付き学習手法を提案する。 OCTAveと呼ばれる本提案手法は,スクリブルアノテートによる弱教師付き学習と,敵意と自己監督型自己監督型深層学習を組み合わせたものである。
  論文  参考訳（メタデータ） (2022-07-25T14:40:56Z)
• Few-shot Quality-Diversity Optimization [50.337225556491774]
  品質多様性(QD)の最適化は、強化学習における知覚的最小値とスパース報酬を扱う上で効果的なツールであることが示されている。 本稿では,タスク分布の例から,パラメータ空間の最適化によって得られる経路の情報を利用して,未知の環境でQD手法を初期化する場合,数発の適応が可能であることを示す。 ロボット操作とナビゲーションベンチマークを用いて、疎密な報酬設定と密集した報酬設定の両方で実施された実験は、これらの環境でのQD最適化に必要な世代数を著しく削減することを示している。
  論文  参考訳（メタデータ） (2021-09-14T17:12:20Z)
• Unsupervised Learning of slow features for Data Efficient Regression [15.73372211126635]
  本稿では、遅延表現に時間的類似性制約を適用した$beta$-VAEの拡張である、遅い変分オートエンコーダ(S-VAE)を提案する。 合成2次元球追跡データセットと、最近の学習環境からのデータセットとDeepMind Lab環境から生成されたデータセットを用いて、下流タスクのデータ効率に対する3つの手法を評価する。
  論文  参考訳（メタデータ） (2020-12-11T12:19:45Z)
• DAGA: Data Augmentation with a Generation Approach for Low-resource Tagging Tasks [88.62288327934499]
  線形化ラベル付き文に基づいて訓練された言語モデルを用いた新しい拡張手法を提案する。 本手法は, 教師付き設定と半教師付き設定の両方に適用可能である。
  論文  参考訳（メタデータ） (2020-11-03T07:49:15Z)

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。