論文の概要: TaCo: A Benchmark for Lossless and Lossy Codecs of Heterogeneous Tactile Data

• arxiv url: http://arxiv.org/abs/2602.09893v1
• Date: Tue, 10 Feb 2026 15:30:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.6425
• Title: TaCo: A Benchmark for Lossless and Lossy Codecs of Heterogeneous Tactile Data
• Title（参考訳）: TaCo: 不均一な触覚データの無害・無害なコーデックのベンチマーク
• Authors: Zhengxue Cheng, Yan Zhao, Keyu Wang, Hengdi Zhang, Li Song,
• Abstract要約: Tactile Codecsの最初の包括的なベンチマークであるTaCoを紹介します。 TaCoは、既製の圧縮アルゴリズムやニューラルコーデックを含む30の圧縮方法を評価する。 我々は触覚データに基づいて明示的に訓練されたデータ駆動コーデックの開発を開拓した。
• 参考スコア（独自算出の注目度）: 15.917206619368885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tactile sensing is crucial for embodied intelligence, providing fine-grained perception and control in complex environments. However, efficient tactile data compression, which is essential for real-time robotic applications under strict bandwidth constraints, remains underexplored. The inherent heterogeneity and spatiotemporal complexity of tactile data further complicate this challenge. To bridge this gap, we introduce TaCo, the first comprehensive benchmark for Tactile data Codecs. TaCo evaluates 30 compression methods, including off-the-shelf compression algorithms and neural codecs, across five diverse datasets from various sensor types. We systematically assess both lossless and lossy compression schemes on four key tasks: lossless storage, human visualization, material and object classification, and dexterous robotic grasping. Notably, we pioneer the development of data-driven codecs explicitly trained on tactile data, TaCo-LL (lossless) and TaCo-L (lossy). Results have validated the superior performance of our TaCo-LL and TaCo-L. This benchmark provides a foundational framework for understanding the critical trade-offs between compression efficiency and task performance, paving the way for future advances in tactile perception.
• Abstract（参考訳）: 触覚はインテリジェンスを具現化するために重要であり、複雑な環境においてきめ細かい知覚と制御を提供する。 しかし、厳密な帯域幅制約下でのリアルタイムロボットアプリケーションに不可欠な、効率的な触覚データ圧縮は未定である。 触覚データの固有の不均一性と時空間的複雑さは、この課題をさらに複雑にしている。 このギャップを埋めるために、Tactile Data Codecsの最初の包括的なベンチマークであるTaCoを紹介します。 TaCoは、オフザシェルフ圧縮アルゴリズムやニューラルコーデックを含む30の圧縮方法を、さまざまなセンサタイプから5つの多様なデータセットで評価している。 我々は,ロスレスストレージ,人体可視化,材料と物体の分類,器用なロボットの把握という4つの重要なタスクにおいて,損失のない圧縮スキームと損失の多い圧縮スキームの両方を体系的に評価した。 特に、触覚データ、TaCo-LL(ロスレス)、TaCo-L(ロッキー)を明示的にトレーニングしたデータ駆動コーデックの開発を開拓した。 その結果,TaCo-LLとTaCo-Lの優れた性能が確認された。 このベンチマークは、圧縮効率とタスクパフォーマンスの間の重要なトレードオフを理解するための基盤となるフレームワークを提供し、触覚知覚の将来の進歩の道を開く。

関連論文リスト

• Data Distribution Matters: A Data-Centric Perspective on Context Compression for Large Language Model [20.1054266241262]
  入力データと固有データという2つの次元を含む圧縮品質に,データ分布がどのような影響を及ぼすかを検討する。 エンコーダで測定された入力エントロピーは圧縮品質と負の相関を示す一方,デコーダで測定されたエントロピーは凍結デコーダ設定下では有意な相関は示さない。
  論文  参考訳（メタデータ） (2026-02-02T08:01:57Z)
• CSGaussian: Progressive Rate-Distortion Compression and Segmentation for 3D Gaussian Splatting [57.73006852239138]
  本稿では,3次元ガウススプラッティングの速度歪み最適化圧縮とセグメンテーションのための最初の統一フレームワークを提案する(3DGS)。 速度歪みに最適化された3DGS圧縮の最近の進歩に触発されたこの研究は、セマンティックラーニングを圧縮パイプラインに統合し、デコーダ側アプリケーションをサポートする。 提案方式は暗黙的ニューラル表現に基づくハイパープライアを特徴とし,色属性と意味属性の両方の効率的なエントロピー符号化を実現する。
  論文  参考訳（メタデータ） (2026-01-19T08:21:45Z)
• Compressed Feature Quality Assessment: Dataset and Baselines [89.62929964441962]
  圧縮された特徴のセマンティック忠実度を評価するための最初のベンチマークデータセットを提案する。 MSE、コサイン類似性、CKA(Centered Kernel Alignment)という3つの広く使われているメトリクスを、意味的劣化を捉える能力の観点から体系的に評価する。 この研究は、基礎的なベンチマークを確立し、コミュニティがCFQAを探索するための重要なリソースを提供することによって、この分野を前進させます。
  論文  参考訳（メタデータ） (2025-06-09T04:16:39Z)
• Towards Scalable IoT Deployment for Visual Anomaly Detection via Efficient Compression [4.521278242509125]
  視覚異常検出(VAD)は産業環境において重要な課題であり、運用コストの最小化が不可欠である。 本研究は,コンパクトで効率的な処理戦略を活用することにより,これらの制約下でのVADの効果的実行方法について検討する。
  論文  参考訳（メタデータ） (2025-05-11T21:05:33Z)
• Towards Generalization of Tactile Image Generation: Reference-Free Evaluation in a Leakage-Free Setting [25.355424080824996]
  触覚は人間の知覚に重要であり、コンピュータビジョン、ロボティクス、マルチモーダル学習の応用を支えている。 触覚データは入手が困難でコストがかかることが多いため、合成触覚画像の生成は、実世界の測定を拡大するためのスケーラブルなソリューションを提供する。 一般的なデータセットにおける重なり合うトレーニングとテストサンプルは、パフォーマンス指標を増大させ、触覚モデルの真の一般化可能性を見極めることを実証する。
  論文  参考訳（メタデータ） (2025-03-10T02:37:22Z)
• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• Enabling robust sensor network design with data processing and optimization making use of local beehive image and video files [0.0]
  最先端のエッジコンピューティング技術を使ってデータ転送とストレージを最適化する革命的なパラダイムです。 提案手法は,画像とビデオのデータ圧縮と数値データに対するデータ集約技術を組み合わせたものである。 このアプローチの重要な側面は、リソース制約のある環境での運用を可能にすることです。
  論文  参考訳（メタデータ） (2024-02-26T15:27:47Z)
• Camouflage is all you need: Evaluating and Enhancing Language Model Robustness Against Camouflage Adversarial Attacks [53.87300498478744]
  自然言語処理(NLP)における敵攻撃の意義 本研究は、脆弱性評価とレジリエンス向上という2つの異なる段階において、この課題を体系的に探求する。 結果として、パフォーマンスとロバスト性の間のトレードオフが示唆され、いくつかのモデルは、ロバスト性を確保しながら、同様のパフォーマンスを維持している。
  論文  参考訳（メタデータ） (2024-02-15T10:58:22Z)
• A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
  本稿では,DAF(Disdisrepancy Aware Framework)を提案する。 本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。 単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
  論文  参考訳（メタデータ） (2023-10-11T15:21:40Z)
• Key-Exchange Convolutional Auto-Encoder for Data Augmentation in Early Knee Osteoarthritis Detection [8.193689534916988]
  Key-Exchange Convolutional Auto-Encoder (KECAE)は、初期のKOA分類のためのAIベースのデータ拡張戦略である。 我々のモデルは、合成画像を生成する新しいキー交換機構を備えた畳み込みオートエンコーダを用いる。 実験結果から,KECAEが生成したデータはKOA分類モデルの性能を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2023-02-26T15:45:19Z)
• Reducing Redundancy in the Bottleneck Representation of the Autoencoders [98.78384185493624]
  オートエンコーダは教師なしニューラルネットワークの一種であり、様々なタスクを解くのに使用できる。 本稿では,ボトルネック表現における特徴冗長性を明示的に罰する手法を提案する。 我々は,3つの異なるデータセットを用いた次元削減,MNISTデータセットを用いた画像圧縮,ファッションMNISTを用いた画像デノナイズという,さまざまなタスクにまたがってアプローチを検証した。
  論文  参考訳（メタデータ） (2022-02-09T18:48:02Z)

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。