論文の概要: Learning 1-Bit LiDAR-based Localization with Auxiliary Objective

• arxiv url: http://arxiv.org/abs/2606.27729v1
• Date: Fri, 26 Jun 2026 05:20:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.37167
• Title: Learning 1-Bit LiDAR-based Localization with Auxiliary Objective
• Title（参考訳）: Auxiliary Objectiveを用いた1ビットLiDARによる局所化学習
• Abstract要約: 6-DoF LiDARベースのローカライゼーションは、大規模屋外環境での自律システムの基本的な機能である。 BiLocは、6-DoF LiDARローカライゼーションのための最初のバイナリニューラルネットワークフレームワークである。 大規模な屋外LiDARデータセットの実験では、BiLocがBNNによるLiDARローカライゼーションの新たな状態を確立している。
• 参考スコア（独自算出の注目度）: 43.90708001183322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 6-DoF LiDAR-based localization is a fundamental capability for autonomous systems operating in large-scale outdoor environments. Many deep-learning-based localization methods have achieved promising performance so far. However, as one of the always-on modules competing for limited on-board computational resources, the localization module is expected to consume only a small portion of the overall compute budget. Most existing learning-based methods are still too heavy for this purpose. In contrast, binary neural networks (BNNs) offer an appealing solution, but the 1-bit compression causes severe information loss and performance drop. In this paper, we address this challenge by proposing Binarized LiDAR-based Localization (BiLoc), the first binary neural network framework for 6-DoF LiDAR localization. Specifically, we reinterpret the training of BNNs from the perspective of the information-bottleneck principle, aiming at retaining minimal yet sufficient representations for pose estimation while suppressing redundant variations. And we introduce an auxiliary objective that adaptively regulates information retention in the binary encoder, effectively mitigating the information loss caused by binarization. This auxiliary objective provides additional optimization signals that compensate for the limited representational capacity and the gradient mismatch inherent in BNNs. Extensive experiments on large-scale outdoor LiDAR datasets demonstrate that BiLoc establishes a new state of the art for LiDAR localization with BNNs.
• Abstract（参考訳）: 6-DoF LiDARベースのローカライゼーションは、大規模屋外環境での自律システムの基本的な機能である。 多くのディープラーニングに基づくローカライゼーション手法が,これまでに有望なパフォーマンスを実現している。 しかし、オンボードの限られた計算資源と競合する常時オンモジュールの1つとして、ローカライゼーションモジュールは全体の計算予算のごく一部しか消費しないことが期待されている。 既存の学習ベースの手法の多くは、まだこの目的には重すぎる。 対照的に、バイナリニューラルネットワーク(BNN)は魅力的なソリューションを提供するが、1ビット圧縮は深刻な情報損失と性能低下を引き起こす。 本稿では6-DoF LiDAR ローカライゼーションのための最初のバイナリニューラルネットワークフレームワークである Binarized LiDAR-based Localization (BiLoc) を提案する。 具体的には、冗長な変動を抑えつつポーズ推定のための最小かつ十分な表現を維持することを目的として、情報ブートネック原理の観点からBNNのトレーニングを再解釈する。 また,バイナリエンコーダにおける情報保持を適応的に規制する補助的目的を導入し,バイナライゼーションによる情報損失を効果的に軽減する。 この補助目的は、BNN固有の限られた表現能力と勾配ミスマッチを補う追加の最適化信号を提供する。 大規模屋外LiDARデータセットに対する大規模な実験は、BiLocがBNNによるLiDARローカライゼーションのための新しい最先端技術を確立していることを示している。

関連論文リスト

• Information-Bottleneck Driven Binary Neural Network for Change Detection [53.866667209237434]
  Binarized Change Detection (BiCD) は、変更検出用に設計された最初のバイナリニューラルネットワーク(BNN)である。 Information Bottleneck (IB) の原則に基づく補助的目的を導入し,本質的な入力情報を保持するようにエンコーダを誘導する。 BiCDは、BNNベースの変更検出のための新しいベンチマークを確立し、この領域で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-07-04T11:56:16Z)
• BiDense: Binarization for Dense Prediction [62.70804353158387]
  BiDenseは、効率よく正確な密度予測タスクのために設計された一般化されたバイナリニューラルネットワーク(BNN)である。 BiDenseは2つの重要なテクニックを取り入れている: 分散適応バイナリー (DAB) とチャネル適応完全精度バイパス (CFB) である。
  論文  参考訳（メタデータ） (2024-11-15T16:46:04Z)
• Enabling On-device Continual Learning with Binary Neural Networks [3.180732240499359]
  連続学習(CL)とバイナリニューラルネットワーク(BNN)の分野における最近の進歩を組み合わせたソリューションを提案する。 具体的には,2値の潜在リプレイアクティベーションと,勾配計算に必要なビット数を大幅に削減する新しい量子化方式を利用する。
  論文  参考訳（メタデータ） (2024-01-18T11:57:05Z)
• On-Device Learning with Binary Neural Networks [2.7040098749051635]
  我々は、最近のCL分野の進歩とBNN(Binary Neural Networks)の効率を取り入れたCLソリューションを提案する。 バックボーンとしてのバイナリネットワークの選択は、低消費電力デバイスの制約を満たすために不可欠である。
  論文  参考訳（メタデータ） (2023-08-29T13:48:35Z)
• IR2Net: Information Restriction and Information Recovery for Accurate Binary Neural Networks [24.42067007684169]
  重みとアクティベーションのバイナライゼーションは、ディープニューラルネットワークを効率よく圧縮し、モデル推論を加速するが、深刻な精度低下を引き起こす。 提案するIR$2$Netは,BNNのポテンシャルを刺激し,入力情報を制限し,特徴情報を復元することでネットワークの精度を向上させる。 実験の結果,ResNet-18 の sim 10x 浮動小数点演算 (FLOPs) の削減でも,本手法は依然として同等の精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2022-10-06T02:03:26Z)
• Recurrent Bilinear Optimization for Binary Neural Networks [58.972212365275595]
  BNNは、実数値重みとスケールファクターの内在的双線型関係を無視している。 私たちの仕事は、双線形の観点からBNNを最適化する最初の試みです。 我々は、様々なモデルやデータセット上で最先端のBNNに対して印象的な性能を示す頑健なRBONNを得る。
  論文  参考訳（メタデータ） (2022-09-04T06:45:33Z)
• Distribution-sensitive Information Retention for Accurate Binary Neural Network [49.971345958676196]
  本稿では、前向きのアクティベーションと後向きの勾配の情報を保持するために、新しいDIR-Net(Distribution-sensitive Information Retention Network)を提案する。 我々のDIR-Netは、主流かつコンパクトなアーキテクチャの下で、SOTAバイナライゼーションアプローチよりも一貫して優れています。 我々は、実世界のリソース制限されたデバイス上でDIR-Netを行い、ストレージの11.1倍の節約と5.4倍のスピードアップを実現した。
  論文  参考訳（メタデータ） (2021-09-25T10:59:39Z)
• Towards Accurate Knowledge Transfer via Target-awareness Representation Disentanglement [56.40587594647692]
  本稿では,TRED(Target-Awareness Representation Disentanglement)の概念を取り入れた新しいトランスファー学習アルゴリズムを提案する。 TREDは、対象のタスクに関する関連する知識を元のソースモデルから切り離し、ターゲットモデルを微調整する際、レギュレータとして使用する。 各種実世界のデータセットを用いた実験により,本手法は標準微調整を平均2%以上安定的に改善することが示された。
  論文  参考訳（メタデータ） (2020-10-16T17:45:08Z)

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。