論文の概要: Tactile Recognition of Both Shapes and Materials with Automatic Feature Optimization-Enabled Meta Learning

• arxiv url: http://arxiv.org/abs/2603.08423v1
• Date: Mon, 09 Mar 2026 14:18:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.104534
• Title: Tactile Recognition of Both Shapes and Materials with Automatic Feature Optimization-Enabled Meta Learning
• Title（参考訳）: 自動特徴最適化型メタ学習による形状と素材の触覚認識
• Authors: Hongliang Zhao, Wenhui Yang, Yang Chen, Zhuorui Wang, Baiheng Liu, Longhui Qin,
• Abstract要約: メタラーニング,すなわちAFOP-MLフレームワークを実現するために,自動機能最適化可能なネットワークを提案する。 学習する"ネットワークとして、新しい未確認クラスに数ショットで迅速に適応するだけでなく、最適な特徴空間を自動的に決定する方法も学べる。
• 参考スコア（独自算出の注目度）: 4.522909437166757
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Tactile perception is indispensable for robots to implement various manipulations dexterously, especially in contact-rich scenarios. However, alongside the development of deep learning techniques, it meanwhile suffers from training data scarcity and a time-consuming learning process in practical applications since the collection of a large amount of tactile data is costly and sometimes even impossible. Hence, we propose an automatic feature optimization-enabled prototypical network to realize meta-learning, i.e., AFOP-ML framework. As a ``learn to learn" network, it not only adapts to new unseen classes rapidly with few-shot, but also learns how to determine the optimal feature space automatically. Based on the four-channel signals acquired from a tactile finger, both shapes and materials are recognized. On a 36-category benchmark, it outperforms several existing approaches by attaining an accuracy of 96.08% in 5-way-1-shot scenario, where only 1 example is available for training. It still remains 88.7% in the extreme 36-way-1-shot case. The generalization ability is further validated through three groups of experiment involving unseen shapes, materials and force/speed perturbations. More insights are additionally provided by this work for the interpretation of recognition tasks and improved design of tactile sensors.
• Abstract（参考訳）: 触覚は、特に接触に富むシナリオにおいて、ロボットが様々な操作を巧みに行うには不可欠である。 しかし、深層学習技術の発達とともに、大量の触覚データの収集が高価であり、時には不可能であるため、実践的な応用においてデータ不足と時間のかかる学習プロセスの訓練に悩まされている。 そこで我々は,メタラーニング,すなわちAFOP-MLフレームワークを実現するために,自動機能最適化機能付きプロトタイプネットワークを提案する。 ネットワークとして、新しい未知のクラスにほとんどショットなしで迅速に適応するだけでなく、最適な機能空間を自動的に決定する方法も学べる。 触覚指から取得した4チャネル信号に基づいて、形状と材料の両方を認識する。 36カテゴリのベンチマークでは、5ウェイ1ショットのシナリオで96.08%の精度を達成することで、既存のアプローチよりも優れている。 極端な36ウェイ1ショットのケースでは88.7%のままである。 一般化能力は、目に見えない形状、材料、力・速度の摂動を含む3つの実験グループによってさらに検証される。 この研究は、認識タスクの解釈と触覚センサーの設計の改善のために、さらなる洞察を提供する。

関連論文リスト

• Smooth-Distill: A Self-distillation Framework for Multitask Learning with Wearable Sensor Data [0.0]
  本稿では,人間の活動認識(HAR)とセンサ配置検出を同時に行うように設計された,新しい自己蒸留フレームワークであるSmooth-Distillを紹介する。 従来の蒸留法とは異なり, 提案手法では, モデル自体のスムーズな歴史バージョンを教師として利用している。 実験結果から,Smooth-Distill は異なる評価シナリオにおける代替手法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2025-06-27T06:51:51Z)
• Emulating Brain-like Rapid Learning in Neuromorphic Edge Computing [3.735012564657653]
  デジタルニューロモルフィック技術は、学習の2段階を用いて脳の神経とシナプスの過程をシミュレートする。 イベント駆動型視覚センサデータとIntel Loihiニューロモルフィックプロセッサの塑性ダイナミクスを用いたアプローチを実証する。 提案手法は任意の可塑性モデルで展開可能であり,学習の迅速化と適応を要求される状況に適用可能である。
  論文  参考訳（メタデータ） (2024-08-28T13:51:52Z)
• Multi-task and few-shot learning in virtual flow metering [0.0]
  本稿では,マルチユニットソフトセンシングのための確率的階層モデルについて定式化する。 80個の石油井戸用の仮想流量計を開発し,大規模産業事例を実証的に研究した。 我々は,多くの井戸から得られたデータから学習したマルチユニットモデルにより,新しい井戸の仮想フローメータを数ショットで学習できることを実証した。
  論文  参考訳（メタデータ） (2023-09-27T17:50:05Z)
• SPOT: Scalable 3D Pre-training via Occupancy Prediction for Learning Transferable 3D Representations [76.45009891152178]
  トレーニング-ファインタニングアプローチは、さまざまな下流データセットとタスクをまたいだトレーニング済みのバックボーンを微調整することで、ラベル付けの負担を軽減することができる。 本稿では, 一般表現学習が, 占領予測のタスクを通じて達成できることを, 初めて示す。 本研究は,LiDAR 点の理解を促進するとともに,LiDAR の事前訓練における今後の進歩の道を開くことを目的とする。
  論文  参考訳（メタデータ） (2023-09-19T11:13:01Z)
• Planning for Learning Object Properties [117.27898922118946]
  我々は、物体特性を象徴的な計画問題として認識するために、ニューラルネットワークを自動的に訓練する問題を定式化する。 トレーニングデータセット作成と学習プロセスを自動化するための戦略を作成するために,計画手法を使用します。 シミュレーションと実環境の両方で実験的な評価を行う。
  論文  参考訳（メタデータ） (2023-01-15T09:37:55Z)
• ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
  本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。 中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。 直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
  論文  参考訳（メタデータ） (2022-12-12T13:10:19Z)
• What Stops Learning-based 3D Registration from Working in the Real World? [53.68326201131434]
  この研究は、3Dポイントのクラウド登録失敗の原因を特定し、その原因を分析し、解決策を提案する。 最終的に、これは最も実践的な3D登録ネットワーク(BPNet)に変換される。 我々のモデルは微調整をせずに実データに一般化し、商用センサで得られた見えない物体の点雲上で最大67%の精度に達する。
  論文  参考訳（メタデータ） (2021-11-19T19:24:27Z)
• Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or Something Else? [93.91375268580806]
  政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。 既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。 既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
  論文  参考訳（メタデータ） (2021-11-09T13:30:34Z)
• On the Robustness of Active Learning [0.7340017786387767]
  Active Learningは、機械学習アルゴリズムをトレーニングする上で最も有用なサンプルを特定する方法に関するものだ。 十分な注意とドメイン知識を持っていないことがよくあります。 そこで本研究では,Simpson の多様性指標に基づく新たな "Sum of Squared Logits" 手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:07:23Z)

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。