論文の概要: PROBE: Probabilistic Occupancy BEV Encoding with Analytical Translation Robustness for 3D Place Recognition

• arxiv url: http://arxiv.org/abs/2603.05965v1
• Date: Fri, 06 Mar 2026 07:00:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:45.26995
• Title: PROBE: Probabilistic Occupancy BEV Encoding with Analytical Translation Robustness for 3D Place Recognition
• Title（参考訳）: PROBE:3次元位置認識のための解析ロバスト性を用いた確率的Occupency BEV符号化
• Authors: Jinseop Lee, Byoungho Lee, Gichul Yoo,
• Abstract要約: PROBEは学習不要のLiDAR位置認識システムである。 連続カルテシアンジャコビアン摂動を解析的に極小化する。 手書き記述子の中では最も正確である。
• 参考スコア（独自算出の注目度）: 6.460745030735197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present PROBE (PRobabilistic Occupancy BEV Encoding), a learning-free LiDAR place recognition descriptor that models each BEV cell's occupancy as a Bernoulli random variable. Rather than relying on discrete point-cloud perturbations, PROBE analytically marginalizes over continuous Cartesian translations via the polar Jacobian, yielding a distance-adaptive angular uncertainty $σ_θ= σ_t / r$ in $\mathcal{O}(R \times S)$ time. The primary parameter $σ_t$ represents the expected translational uncertainty in meters, a sensor-independent physical quantity allowing cross-sensor generalization without per-dataset tuning. Pairwise similarity combines a Bernoulli-KL Jaccard with exponential uncertainty gating and FFT-based height cosine similarity for rotation alignment. Evaluated on four datasets spanning four diverse LiDAR types, PROBE achieves the highest accuracy among handcrafted descriptors in multi-session evaluation and competitive single-session performance against both handcrafted and supervised baselines. The source code and supplementary materials are available at https://sites.google.com/view/probe-pr.
• Abstract（参考訳）: 本稿では,各BEVセルの占有率をベルヌーイ確率変数としてモデル化した,学習不要なLiDAR位置認識記述子 PROBE (proobabilistic Occupancy BEV Encoding) を提案する。 離散的な点-雲の摂動に頼らず、 PROBE は極ジャコビアンを通して連続なカルテス変換を解析的に余分に扱い、距離適応的な角の不確実性 $σ_θ = σ_t / r$ in $\mathcal{O}(R \times S)$ time をもたらす。 主パラメータ $σ_t$ は、センサーに依存しない物理量であり、データ単位のチューニングなしにクロスセンサーの一般化を可能にする。 ペアワイズ類似性は、ベルヌーイ-KLジャカードと指数的不確実性ゲーティングと、回転アライメントのためのFFTベースの高さコサイン類似性を組み合わせたものである。 PROBEは4種類のLiDARタイプにまたがる4つのデータセットで評価され、多セッション評価と、手作りベースラインと教師付きベースラインの両方に対して競合するシングルセッションパフォーマンスにおいて、手作りディスクリプタの中で最も高い精度を達成している。 ソースコードと補足資料はhttps://sites.google.com/view/probe-pr.comで入手できる。

関連論文リスト

• LEVDA: Latent Ensemble Variational Data Assimilation via Differentiable Dynamics [6.953554594702111]
  本稿では,アンサンブル空間の変動スムーズなラテント・アンサンブル・データ・アシミレーション(LEVDA)を提案する。 随伴符号や補助観察から潜伏までのエンコーダを必要とせず、状態と未知のパラメータを同化する。 完全状態の4DEnVarに比べて、同化精度と計算効率が大幅に向上した。
  論文  参考訳（メタデータ） (2026-02-23T00:54:59Z)
• Operator-Theoretic Framework for Gradient-Free Federated Learning [34.77158092842152]
  フェデレートされた学習は、不均一性、厳密なコミュニケーションと計算制限、そしてパフォーマンスを確保しながらプライバシに対処する必要がある。 我々は、$L2$-optimal の解を再生カーネルヒルベルト空間にマッピングする演算子理論フレームワークを提案する。 この空間内では、カーネルアフィンハルマシンの空間折り畳み特性を利用した効率的なカーネルマシンを設計する。
  論文  参考訳（メタデータ） (2025-11-30T18:49:00Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• Variational Gaussian Mixture Manifold Models for Client-Specific Federated Personalization [0.0]
  VGM$2$は、クライアント固有のパラメトリックUMAP埋め込みを学習する幾何学中心のPFLフレームワークである。 各クライアントは、マーカーの重み、手段、およびばらつきに対してディリクレ-ノルマル-逆-ガンマの後部を保持する。 VGM$2$は、強いベースラインに比べて、競争力または優れたテストF1スコアを達成する。
  論文  参考訳（メタデータ） (2025-09-04T01:28:02Z)
• Parameter-Aware Ensemble SINDy for Interpretable Symbolic SGS Closure [0.0]
  この研究は、解釈可能な偏微分方程式とサブグリッドスケール閉包を発見するためのスケーラブルでパラメータ対応のスパース回帰フレームワークを設計する。 SINDy(Sparse Identification of Dynamics)に基づいて構築されたこのアプローチは、4つの拡張を通じて鍵となる制限に対処する。
  論文  参考訳（メタデータ） (2025-08-13T09:37:57Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• Symmetric Equilibrium Learning of VAEs [56.56929742714685]
  可変オートエンコーダ(VAE)をデコーダ-エンコーダペアとみなし,データ空間内の分布を潜在空間内の分布にマッピングする。 本研究では,エンコーダとデコーダに対して対称なナッシュ均衡学習手法を提案し,データと潜伏分布の両方がサンプリングによってのみアクセス可能な状況下でのVAEの学習を可能にする。
  論文  参考訳（メタデータ） (2023-07-19T10:27:34Z)
• Auto-Encoding Goodness of Fit [9.560668678348579]
  We developed a new type of generative autoencoder called the Goodness-of-Fit Autoencoder (GoFAE)。 ミニバッチレベルでは、正規化の目的としてGoFテスト統計を使用する。 よりグローバルなレベルでは、より高い批判に基づいて正規化係数を選択する。
  論文  参考訳（メタデータ） (2022-10-12T19:21:57Z)
• Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
  本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。 そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。 6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
  論文  参考訳（メタデータ） (2020-09-07T13:01:45Z)

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。