論文の概要: Localized Visual Feature Aggregation via Focus Pooling for Visuomotor Policies

• arxiv url: http://arxiv.org/abs/2609.08408v1
• Date: Tue, 08 Sep 2026 08:17:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 16:36:20.841184
• Title: Localized Visual Feature Aggregation via Focus Pooling for Visuomotor Policies
• Title（参考訳）: Visuomotor Policiesのためのフォーカスポーリングによる局所的な視覚的特徴集約
• Abstract要約: 中間的なCNN機能は、制御のための局所的な視覚的コンテキストを保存するが、既存のプーリング手法では効果的に蓄積できないことを示す。 ロボットの現在の状況に応じて、中間的な視覚的特徴を選択的に集約するアテンションプーリングモジュールであるFocusPoolを紹介する。 プールされた表現は、タスクプログレッシブで制御関連のあるローカル情報をキャプチャし、ポリシー学習に直接使用される。
• 参考スコア（独自算出の注目度）: 18.02599913118209
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Focusing on spatially localized, control-relevant visual cues has been shown to improve data efficiency in visuomotor policies by reducing the need to model task-irrelevant visual variation. Existing methods often impose this focus through input preprocessing, such as cropping control- or object-centric regions in RGB images or point-clouds. However, it remains underexplored whether such localized features can be exposed directly from commonly used convolutional neural network (CNN) encoded features. In this paper, we show that intermediate CNN features preserve localized visual context for control, but existing pooling methods fail to aggregate it effectively. We introduce FocusPool, an attention pooling module that selectively aggregates intermediate visual features according to their relevance to the robot's current proprioceptive context. The resulting pooled representation captures task-progressive, control-relevant local information and is used directly for policy learning. Across simulation and real-world experiments, FocusPool improves policy success rates over pooling and explicit local focus methods by 36.2% and 41.2%, with training only 5.8% of encoder parameters.
• Abstract（参考訳）: 空間的局所化, 制御関連視覚手がかりに着目し, タスク非関連視覚変動のモデル化の必要性を低減し, ビジュモータポリシーにおけるデータ効率の向上を図っている。 既存の手法では、RGB画像やポイントクラウドのトリミング制御やオブジェクト中心領域のような入力前処理によって、この焦点を課すことが多い。 しかし、そのような局所的特徴が一般的に使用される畳み込みニューラルネットワーク(CNN)の符号化された特徴から直接露呈できるかどうかについては、まだ解明されていない。 本稿では,CNNの中間機能では局所的な視覚的コンテキストを制御できるが,既存のプーリング手法では効果的に処理できないことを示す。 ロボットの現在の受容コンテキストとの関連性に応じて、中間的な視覚的特徴を選択的に集約するアテンションプーリングモジュールであるFocusPoolを紹介する。 プールされた表現は、タスクプログレッシブで制御関連のあるローカル情報をキャプチャし、ポリシー学習に直接使用される。 シミュレーションと実世界の実験を通じて、FocusPoolはプールと明示的な局所焦点法よりもポリシーの成功率を36.2%、41.2%改善し、エンコーダパラメータの5.8%しか訓練していない。

関連論文リスト

• Visual Spatial Learning: Single-Field Spatial Interpolation Using Convolutional Neural Networks [40.39728307619341]
  畳み込みニューラルネットワーク(CNN)に基づくアーキテクチャを空間スパース予測に活用する。 モデルは観測された位置を直接監視し、ユーザ定義グリッド上の観測されていない地点で値を予測することを学ぶ。 本研究は,従来の地理統計手法に代わる現実的な代替手段として,スパース管理下での単一インスタンス空間スパースに対するCNNの可能性を示す。
  論文  参考訳（メタデータ） (2026-05-28T16:19:21Z)
• Interpretable Cross-Domain Few-Shot Learning with Rectified Target-Domain Local Alignment [19.113214017897118]
  Cross-Domain Few-Shot Learningは、大規模な汎用データ(ソースドメイン)でトレーニングされたモデルを、少ないトレーニングデータだけで、下流のターゲットドメインに適応させる。 CLIPモデルは、解釈可能な認識のためのきめ細かい視覚的手がかりにはほとんど焦点を合わせられない。 この問題に対処するために、局所的な視覚的特徴とテキスト意味論の整合性に監督が欠如しているため、私たちは自己監督情報に目を向ける。
  論文  参考訳（メタデータ） (2026-03-18T12:20:21Z)
• Mitigating Prior Shape Bias in Point Clouds via Differentiable Center Learning [15.132585178169423]
  微分可能中心サンプリングネットワーク(DCS-Net)と呼ばれる新しいソリューションを導入する。 グローバルな特徴再構成とローカルな特徴再構成の両方を非自明なプロキシタスクとして組み込むことで,情報漏洩問題に対処する。 実験により,本手法は既存の点雲モデルの表現能力を向上することを示した。
  論文  参考訳（メタデータ） (2024-02-03T08:58:23Z)
• Optimal Transport Aggregation for Visual Place Recognition [9.192660643226372]
  SALADは,NetVLADの局所的特徴のソフトアサインを最適な輸送問題としてクラスタに再配置する。 SALADでは,機能間クラスタ関係とクラスタ間クラスタ関係の両方を考慮するとともに,非形式的と考えられる特徴を選択的に破棄する'ダストビン'クラスタも導入する。 我々のシングルステージ手法は、パブリックなVPRデータセットの単一ステージベースラインを超えるだけでなく、2段階の手法を超越し、コストを大幅に高めに再ランク付けする。
  論文  参考訳（メタデータ） (2023-11-27T15:46:19Z)
• Learning Feature Matching via Matchable Keypoint-Assisted Graph Neural Network [52.29330138835208]
  画像のペア間の局所的な特徴の正確なマッチングは、コンピュータビジョンの課題である。 従来の研究では、注意に基づくグラフニューラルネットワーク(GNN)と、画像内のキーポイントに完全に接続されたグラフを使用するのが一般的だった。 本稿では,非繰り返しキーポイントをバイパスし,マッチング可能なキーポイントを利用してメッセージパッシングを誘導する,疎注意に基づくGNNアーキテクチャであるMaKeGNNを提案する。
  論文  参考訳（メタデータ） (2023-07-04T02:50:44Z)
• Centralized Feature Pyramid for Object Detection [53.501796194901964]
  視覚的特徴ピラミッドは、広範囲のアプリケーションにおいて、有効性と効率の両方において、その優位性を示している。 本稿では,オブジェクト検出のためのOLO特徴ピラミッドを提案する。
  論文  参考訳（メタデータ） (2022-10-05T08:32:54Z)
• Adaptive Local-Component-aware Graph Convolutional Network for One-shot Skeleton-based Action Recognition [54.23513799338309]
  骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。 我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
  論文  参考訳（メタデータ） (2022-09-21T02:33:07Z)
• Deep face recognition with clustering based domain adaptation [57.29464116557734]
  そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。 本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
  論文  参考訳（メタデータ） (2022-05-27T12:29:11Z)
• Keypoint Message Passing for Video-based Person Re-Identification [106.41022426556776]
  ビデオベースの人物再識別(re-ID)は、異なるカメラで捉えた人々のビデオスニペットをマッチングすることを目的とした、視覚監視システムにおいて重要な技術である。 既存の手法は主に畳み込みニューラルネットワーク(CNN)に基づいており、そのビルディングブロックは近隣のピクセルを一度に処理するか、あるいは3D畳み込みが時間情報のモデル化に使用される場合、人の動きによって生じるミスアライメントの問題に悩まされる。 本稿では,人間指向グラフ法を用いて,通常の畳み込みの限界を克服することを提案する。具体的には,人手指のキーポイントに位置する特徴を抽出し,時空間グラフとして接続する。
  論文  参考訳（メタデータ） (2021-11-16T08:01:16Z)
• Active Visual Localization in Partially Calibrated Environments [35.48595012305253]
  人間は、目立った視覚的な手がかりやランドマークに追われて地図を使わずに、自分自身をしっかりとローカライズすることができる。 この研究では、自律エージェントを同じ能力でエンドウイングすることを目指している。 このような能力はロボットアプリケーションにおいて重要であるが、エージェントが部分的に調整された環境に晒される場合、非常に困難である。 合成データと実データの両方で構成された屋内シーンデータセットACR-6を提案し、アクティブビジュアルローカリゼーションのための困難なシナリオをシミュレートします。
  論文  参考訳（メタデータ） (2020-12-08T08:00:55Z)
• Attentive CutMix: An Enhanced Data Augmentation Approach for Deep Learning Based Image Classification [58.20132466198622]
  そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。 各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。 提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
  論文  参考訳（メタデータ） (2020-03-29T15:01:05Z)
• Deep Image Spatial Transformation for Person Image Generation [31.966927317737873]
  本稿では,機能レベルでのインプットを再構築するグローバルフロー局所アテンションフレームワークを提案する。 本モデルでは,まずソースとターゲット間の大域的相関を計算し,流れ場を予測する。 得られた局所的注意係数を用いたコンテンツ認識サンプリング手法を用いて,ソース特性のワープを行う。
  論文  参考訳（メタデータ） (2020-03-02T07:31:00Z)

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。