論文の概要: Fast Neural-Network Approximation of Active Target Search Under Uncertainty

• arxiv url: http://arxiv.org/abs/2604.22254v1
• Date: Fri, 24 Apr 2026 05:56:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.358385
• Title: Fast Neural-Network Approximation of Active Target Search Under Uncertainty
• Title（参考訳）: 不確実性下におけるアクティブターゲット探索の高速ニューラルネットワーク近似
• Authors: Bilal Yousuf, Zsofia Lendek, Lucian Busoniu,
• Abstract要約: 移動エージェントを用いて未知の位置における静止目標の未知数を探索する問題に対処する。 確率仮説密度フィルタを用いて、測定の不確実性の下での予測目標数を推定する。 我々は、畳み込みニューラルネットワークを用いて、直接推論によりASまたはAIS決定を近似することを提案する。
• 参考スコア（独自算出の注目度）: 0.8411385346896411
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We address the problem of searching for an unknown number of stationary targets at unknown positions with a mobile agent. A probability hypothesis density filter is used to estimate the expected number of targets under measurement uncertainty. Existing planners, such as Active Search (AS) and its Intermittent variant (ASI), achieve accurate detection but require costly online optimization. To reduce online computation, we propose to use a convolutional neural network to approximate AS or ASI decisions through direct inference. The network is trained on AS/ASI data using a multi-channel grid that encodes target beliefs, the agent position, visitation history, and boundary information. Simulations with uniform and clustered target distributions show that the network achieves detection rates comparable to AS or ASI while reducing computation by orders of magnitude.
• Abstract（参考訳）: 移動エージェントを用いて未知の位置における静止目標の未知数を探索する問題に対処する。 確率仮説密度フィルタを用いて、測定の不確実性の下での予測目標数を推定する。 Active Search (AS) や Intermittent variant (ASI) のような既存のプランナーは正確な検出を行うが、オンラインでの最適化には費用がかかる。 オンライン計算の削減のために、直接推論によりASまたはAIS決定を近似する畳み込みニューラルネットワークを提案する。 ネットワークは、ターゲット信念、エージェントの位置、訪問履歴、境界情報を符号化するマルチチャネルグリッドを用いてAS/ASIデータに基づいて訓練される。 均一なターゲット分布とクラスタ化されたターゲット分布のシミュレーションにより、ネットワークはASやAIIに匹敵する検出率を達成し、桁違いの計算量を削減している。

関連論文リスト

• Explorations of the Softmax Space: Knowing When the Neural Network Doesn't Know [2.6626950367610394]
  本稿では,ニューラルネットワークの予測に対する信頼度を計測するための新しい手法を提案する。 高い精度でトレーニングされたネットワークは、信頼度が低いべき特定の出力を持つ可能性があると確認する。 精度評価において,全ての正しい予測に対する平均ソフトマックス出力として計算されたセントロイドのクラスタが適切なプロキシとして有効であることを示す。
  論文  参考訳（メタデータ） (2025-02-01T15:25:03Z)
• UPNet: Uncertainty-based Picking Deep Learning Network for Robust First Break Picking [6.380128763476294]
  第一破砕(FB)ピッキングは地下速度モデルの決定において重要な側面である。 この処理を高速化するために、ディープニューラルネットワーク(DNN)が提案されている。 本稿では、FB選択タスクに不確実性定量化を導入し、UPNetと呼ばれる新しい不確実性に基づくディープラーニングネットワークを提案する。
  論文  参考訳（メタデータ） (2023-05-23T08:13:09Z)
• Unfolding Local Growth Rate Estimates for (Almost) Perfect Adversarial Detection [22.99930028876662]
  畳み込みニューラルネットワーク(CNN)は、多くの知覚的タスクにおける最先端のソリューションを定義する。 現在のCNNアプローチは、システムを騙すために特別に作られた入力の敵の摂動に対して脆弱なままである。 本稿では,ネットワークの局所固有次元(LID)と敵攻撃の関係について,最近の知見を生かした,シンプルで軽量な検出器を提案する。
  論文  参考訳（メタデータ） (2022-12-13T17:51:32Z)
• Multi-Agent Active Search using Detection and Location Uncertainty [6.587280549237275]
  アクティブ検索アルゴリズムは、検出の不確実性と位置不確実性という2つのタイプの不確実性とを競合しなければならない。 まず,ターゲット検出と位置不確実性の両方を共同で扱う推論手法を提案する。 次に、トンプソンサンプリングを用いて、分散マルチエージェント能動探索を可能にする意思決定アルゴリズムを構築する。
  論文  参考訳（メタデータ） (2022-03-09T04:53:37Z)
• CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
  ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。 本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。 私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
  論文  参考訳（メタデータ） (2021-10-04T17:59:31Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)
• Depthwise Non-local Module for Fast Salient Object Detection Using a Single Thread [136.2224792151324]
  本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。 提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
  論文  参考訳（メタデータ） (2020-01-22T15:23:48Z)

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。