論文の概要: Why does Deep Learning Improve Visual SLAM?

• arxiv url: http://arxiv.org/abs/2607.06023v1
• Date: Tue, 07 Jul 2026 09:03:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.463009
• Title: Why does Deep Learning Improve Visual SLAM?
• Title（参考訳）: なぜディープラーニングはビジュアルSLAMを改善するのか?
• Abstract要約: Visual SLAMは、幅広い現実世界のアプリケーションで利用される、確立された技術である。 深層学習に基づく古典幾何学に基づくシステム 本稿では,学習した2Dデータアソシエーション,学習した2Dデータアソシエーションと不確実性の組み合わせ,あるいは再帰的アーキテクチャ自体によって駆動されるディープラーニングベースのシステムの優れた性能を問う。
• 参考スコア（独自算出の注目度）: 24.753820976869623
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual SLAM is a well-established technology utilized in a wide range of real-world applications. However, its performance still degrades under challenging visual conditions, such as low texture, severe motion blur, and poor illumination. Systems based on deep learning outperform classical geometry-based ones and achieve state-of-the-art results by combining learned 2D data association and uncertainty with differentiable geometric optimization in recurrent architectures. Still, it remains unclear exactly which components are fundamentally responsible for this success. In this paper, we ask: Is the superior performance of deep learning-based systems driven primarily by learned 2D data association, the combination of learned 2D data association and uncertainty, or the recurrent architecture itself? We investigate this question empirically by conducting a controlled study. Our findings reveal that the success of DL-based V-SLAM systems hinges on learned 2D data association and uncertainty rather than their recurrent architecture, underscoring the necessity of learning-based paradigms for the design of these components. Upon acceptance, the code will be released as open source.
• Abstract（参考訳）: Visual SLAMは、幅広い現実世界のアプリケーションで利用される、確立された技術である。 しかし、その性能は、低テクスチャ、激しい動きのぼやけ、照明不足など、困難な視覚条件下でも低下している。 ディープラーニングに基づくシステムは、古典幾何学に基づくシステムより優れており、学習された2次元データアソシエーションと不確実性と、繰り返しアーキテクチャにおける微分可能な幾何最適化を組み合わせることによって、最先端の結果を達成する。 しかし、どのコンポーネントがこの成功に根本的な責任を負っているのかは不明だ。 本稿では,学習した2Dデータアソシエーション,学習した2Dデータアソシエーションと不確実性の組み合わせ,あるいは再帰的アーキテクチャ自体によって駆動されるディープラーニングベースのシステムの優れた性能を問う。 我々は制御された研究を行うことで、この問題を実証的に調査する。 以上の結果から, DLベースのV-SLAMシステムの成功は, 再帰的アーキテクチャではなく, 学習した2次元データアソシエーションと不確実性に依存していることが明らかとなった。 受け入れられると、コードはオープンソースとしてリリースされる。

関連論文リスト

• GEAL: Generalizable 3D Affordance Learning with Cross-Modal Consistency [50.11520458252128]
  既存の3Dアベイランス学習手法は、注釈付きデータに制限があるため、一般化と堅牢性に苦慮している。 本稿では,大規模事前学習型2Dモデルを活用することで,3次元アベイランス学習の一般化と堅牢性を高めるための新しいフレームワークであるGEALを提案する。 GEALは、既存のメソッドと、新しいオブジェクトカテゴリ、および破損したデータにおいて、一貫して優れています。
  論文  参考訳（メタデータ） (2024-12-12T17:59:03Z)
• Revisiting Nearest Neighbor for Tabular Data: A Deep Tabular Baseline Two Decades Later [76.66498833720411]
  K$-nearest neighbors (KNN) はもともと,インスタンス間のセマンティックな類似性を捉えるために線形投影を学習するために設計されたものだ。 意外なことに、SGDを用いたNAAの実装と次元減少のない実装は、表データの良好な性能をすでに達成しています。 本稿では、損失関数、予測戦略、深いアーキテクチャなど、これらの改善の背景にある要因を分析して、論文を締めくくる。
  論文  参考訳（メタデータ） (2024-07-03T16:38:57Z)
• DLAS: An Exploration and Assessment of the Deep Learning Acceleration Stack [3.7873597471903935]
  私たちはDeep Learning Acceleration Stack (DLAS)で機械学習とシステム技術を組み合わせています。 2つのデータセット間でDLASのパラメータが異なる場合の精度と推定時間への影響を評価した。 全体として、圧縮技術によって提供されるスピードアップは、非常にハードウェアに依存している。
  論文  参考訳（メタデータ） (2023-11-15T12:26:31Z)
• Handling Data Heterogeneity via Architectural Design for Federated Visual Recognition [16.50490537786593]
  4つのFLデータセットを用いて、5つの異なるアーキテクチャファミリからの19の視覚認識モデルについて検討する。 本研究は,現実的なシナリオにおけるコンピュータビジョンタスクにおけるアーキテクチャ設計の重要性を強調した。
  論文  参考訳（メタデータ） (2023-10-23T17:59:16Z)
• Serving Deep Learning Model in Relational Databases [70.53282490832189]
  リレーショナルデータ上での深層学習(DL)モデルの実現は、様々な商業分野や科学分野において重要な要件となっている。 最先端のDL中心アーキテクチャは、DL計算を専用のDLフレームワークにオフロードします。 UDF中心アーキテクチャの可能性は、リレーショナルデータベース管理システム(RDBMS)内の1つ以上のテンソル計算をユーザ定義関数(UDF)にカプセル化する。
  論文  参考訳（メタデータ） (2023-10-07T06:01:35Z)
• Leveraging Systematic Knowledge of 2D Transformations [6.668181653599057]
  人間は、たとえ画像のシーンが珍しいとしても、画像を解釈する素晴らしい能力を持っている。 本研究は,1)2次元変換の体系的知識の獲得,2)画像分類タスクにおける学習知識を活用可能なアーキテクチャコンポーネントに焦点を当てる。
  論文  参考訳（メタデータ） (2022-06-02T06:46:12Z)
• Learning Deep Context-Sensitive Decomposition for Low-Light Image Enhancement [58.72667941107544]
  典型的なフレームワークは、照明と反射を同時に推定することであるが、特徴空間にカプセル化されたシーンレベルの文脈情報を無視する。 本研究では,空間スケールにおけるシーンレベルのコンテキスト依存を生かした,コンテキスト依存型分解ネットワークアーキテクチャを提案する。 チャネル数を減らして軽量なCSDNet(LiteCSDNet)を開発する。
  論文  参考訳（メタデータ） (2021-12-09T06:25:30Z)
• Improving Deep Learning for HAR with shallow LSTMs [70.94062293989832]
  本稿では,DeepConvLSTMを2層LSTMではなく1層LSTMに変更することを提案する。 この結果は、シーケンシャルデータを扱う場合、少なくとも2層LSTMが必要であるという信念とは対照的である。
  論文  参考訳（メタデータ） (2021-08-02T08:14:59Z)
• On the combined effect of class imbalance and concept complexity in deep learning [11.178586036657798]
  本稿では,従来の機械学習システムでは困難であったような環境下でのディープラーニングシステムの振る舞いについて考察する。 深いアーキテクチャは構造的な概念の複雑さに役立ちますが、単純な人工ドメインで重複する課題には役立ちません。 オーバーフィッティングが人工ドメインよりも大きな関心事である現実世界の画像ドメインでは、より深いアーキテクチャの利点は明らかではない。
  論文  参考訳（メタデータ） (2021-07-29T17:30:00Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• D2RL: Deep Dense Architectures in Reinforcement Learning [47.67475810050311]
  コンピュータビジョンと生成モデルにおけるアーキテクチャ選択の成功からインスピレーションを得ます。 各種ロボット学習ベンチマーク環境における強化学習における深層ネットワークと高密度接続の利用について検討した。
  論文  参考訳（メタデータ） (2020-10-19T01:27:07Z)

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。