論文の概要: FLM-Occ: Feed-forward Likelihood Maximization for Efficient Indoor Occupancy Prediction

• arxiv url: http://arxiv.org/abs/2606.21373v1
• Date: Fri, 19 Jun 2026 12:26:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 13:55:34.129046
• Title: FLM-Occ: Feed-forward Likelihood Maximization for Efficient Indoor Occupancy Prediction
• Title（参考訳）: FLM-Occ:効率的な室内活動予測のためのフィードフォワード類似度最大化
• Authors: Guangcheng Chen, Lihuang Fang, Huaqi Tao, Yicheng He, Li He, Hong Zhang,
• Abstract要約: 本稿では, 占有率予測をボクセル分布推定として再構成するためのフィードフォワード類似度最大化(FLM)を提案する。 FLMに基づいて、FLM-Occは、シーンをモデル化するために、長距離でランダムにプリミティブを移動させることができる。 Occ-ScanNetでは、FLM-Occは32個のスーパークワッドリック(以前のSoTAの2.7%)しか使用せず、3.7倍高速に動作している。
• 参考スコア（独自算出の注目度）: 8.522229656373042
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent indoor occupancy prediction methods adopt Gaussian primitives as a sparse 3D representation for computational efficiency. However, their training relies on voxel classification, which imposes only local constraints and lacks global supervision on the distribution of the primitives. Therefore, they inevitably predict spurious primitives in empty regions, undermining both representational and computational efficiency. To address this, we propose Feed-forward Likelihood Maximization (FLM), a novel framework that reformulates occupancy prediction as voxel distribution estimation. In FLM, a network is trained to predict a mixture model that maximizes the likelihood over ground-truth occupied voxels in a feed-forward manner. To enable end-to-end training of networks and voxelization of a standard mixture model, we define mixture weights as normalized primitive volumes to implicitly enforce simplex constraints and derive novel voxelization formulas. Based on FLM, our FLM-Occ, a novel method that is capable of relocating randomly initialized primitives over long distances to model a scene. On Occ-ScanNet, FLM-Occ achieves superior accuracy using only 32 superquadrics, 2.7% of the prior SoTA, while running 3.7 times faster.
• Abstract（参考訳）: 近年の室内占有予測法では,ガウス原始体を計算効率のスパース3次元表現として採用している。 しかし、それらの訓練は、局所的な制約のみを課し、プリミティブの分布の世界的な監督を欠いているボクセル分類に依存している。 したがって、空の領域における急激な原始を必然的に予測し、表現効率と計算効率の両方を損なう。 これを解決するために, 占有率予測をボクセル分布推定として再構成する新しいフレームワークであるFeed-forward Likelihood Maximization (FLM)を提案する。 FLMにおいて、ネットワークは、接地したボクセルに対する確率をフィードフォワード的に最大化する混合モデルを予測するために訓練される。 ネットワークのエンドツーエンドのトレーニングと標準混合モデルのボキセル化を可能にするため、混合重みを正規化原始体積として定義し、単純な制約を暗黙的に適用し、新しいボキセル化公式を導出する。 FLMをベースとしたFLM-Occは,遠距離でランダムに初期化プリミティブを移動させてシーンをモデル化する新しい手法である。 Occ-ScanNetでは、FLM-Occは32個のスーパークワッドリック(以前のSoTAの2.7%)しか使用せず、3.7倍高速に動作している。

関連論文リスト

• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• The Journey Matters: Average Parameter Count over Pre-training Unifies Sparse and Dense Scaling Laws [51.608402959163925]
  本稿では,大規模言語モデルに対する最適スパース事前学習構成の体系的検討を行う。 総トレーニング計算の25%でプルーニングを開始し、75%で終了すると、ほぼ最適の最終評価損失が得られることがわかった。 本稿では,事前学習よりも平均パラメータ数を使用するように,チンチラスケーリング法を修正した新しいスケーリング法を提案する。
  論文  参考訳（メタデータ） (2025-01-21T20:23:22Z)
• Scaling Laws for Predicting Downstream Performance in LLMs [75.28559015477137]
  この研究は、性能推定のためのより計算効率のよい指標として、事前学習損失に焦点を当てている。 FLP-Mは、事前トレーニング中に複数のソースからのデータセットを統合する実践的なニーズに対処する、パフォーマンス予測の基本的なアプローチである。
  論文  参考訳（メタデータ） (2024-10-11T04:57:48Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Convolutional-Recurrent Neural Network Proxy for Robust Optimization and Closed-Loop Reservoir Management [0.0]
  畳み込みリカレントニューラルネットワーク(CNN-RNN)プロキシモデルを開発した。 この能力は、頑健な最適化に必要な目的関数と非線形制約値の推定を可能にする。
  論文  参考訳（メタデータ） (2022-03-14T22:11:17Z)

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。