Fugu-MT 論文翻訳(概要): Attention-Based Surface Representation Learning for Robot State Prediction and Open-Ended Surface Classification

論文の概要: Attention-Based Surface Representation Learning for Robot State Prediction and Open-Ended Surface Classification

arxiv url: http://arxiv.org/abs/2610.04240v1
Date: Sat, 03 Oct 2026 03:03:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-12 19:09:46.512394
Title: Attention-Based Surface Representation Learning for Robot State Prediction and Open-Ended Surface Classification
Title（参考訳）: ロボットの状態予測とオープンエンド表面分類のための注意に基づく表面表現学習
Abstract要約: 分類精度はBelyaev-Kushnarevデータセットで98.56%、BorealTCでは94.8%に向上した。本稿では,新しい曲面クラスをトレーニング可能なベクトルとして追加する手法を提案する。
参考スコア（独自算出の注目度）: 45.88028371034407
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: For ground robots operating in outdoor environments, understanding the properties of the underlying terrain is essential for ensuring reliable operation. In most perception-based studies, this problem is formulated as categorical classification with a fixed number of classes defined during training. We propose an approach that enables new surface classes to be added as trainable vectors, which can subsequently be used to address higher-level tasks. By employing a learning paradigm based on predicting the robot's next state in time and using attention blocks, we improved classification accuracy to 98.56% on the Belyaev-Kushnarev dataset and 94.8% on BorealTC.
Abstract（参考訳）: 屋外環境で作業する地上ロボットにとって,その基盤となる地形の性質を理解することは,信頼性の高い作業の確保に不可欠である。多くの知覚に基づく研究において、この問題は訓練中に定義された一定の数のクラスを持つ分類分類として定式化されている。本稿では,新しい曲面クラスをトレーニング可能なベクトルとして追加する手法を提案する。ロボットの次の状態を予測し、注意ブロックを使用する学習パラダイムを用いて、分類精度をベリャーエフ・クシュナレフデータセットで98.56%、ボレアルTCで94.8%に改善した。

関連論文リスト

Trajectory prediction for heterogeneous agents: A performance analysis on small and imbalanced datasets [11.00008290019651]
クラス条件の軌道予測は、予測の不確実性を低減し、より正確な予測を得るための魅力的な方法である。これは以前の技術、特にモバイルロボットや限られたデータアプリケーションではほとんど研究されていない。本稿では,条件付きパターンに基づく効率的なディープラーニングベースラインを提案するとともに,ロボットや屋外データセット上での性能評価を行う。
論文参考訳（メタデータ） (2025-10-04T11:02:21Z)
Efficient Transferability Assessment for Selection of Pre-trained Detectors [63.21514888618542]
本稿では,事前学習対象検出器の効率的な伝達性評価について検討する。我々は、事前訓練された検出器の大規模で多様な動物園を含む検出器転送性ベンチマークを構築した。実験により,本手法は伝達性の評価において,他の最先端手法よりも優れていることが示された。
論文参考訳（メタデータ） (2024-03-14T14:23:23Z)
Semi-Supervised Active Learning for Semantic Segmentation in Unknown Environments Using Informative Path Planning [27.460481202195012]
ロボットの視力を改善するために、自己監督的で完全に教師された能動学習手法が出現した。セマンティックセグメンテーションの半教師付き能動学習のための計画法を提案する。我々は、モデル不確実性の高い未探索空間のフロンティアに向けて導かれた適応地図ベースのプランナーを活用する。
論文参考訳（メタデータ） (2023-12-07T16:16:47Z)
Dirichlet Active Learning [1.4277428617774877]
Dirichlet Active Learning(ダイリクレアクティブラーニング、DiAL)は、ベイズに触発されたアクティブラーニングアルゴリズムの設計手法である。我々のフレームワークはディリクレ確率場として特徴条件クラス確率をモデル化する。
論文参考訳（メタデータ） (2023-11-09T16:39:02Z)
Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。提案手法による事前学習では, 25%の絶対mIoUが得られた。学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文参考訳（メタデータ） (2022-03-11T16:14:14Z)
On Generalizing Beyond Domains in Cross-Domain Continual Learning [91.56748415975683]
ディープニューラルネットワークは、新しいタスクを学んだ後、これまで学んだ知識の破滅的な忘れ込みに悩まされることが多い。提案手法は、ドメインシフト中の新しいタスクを精度良く学習することで、DomainNetやOfficeHomeといった挑戦的なデータセットで最大10%向上する。
論文参考訳（メタデータ） (2022-03-08T09:57:48Z)
Self-supervised Pretraining with Classification Labels for Temporal Activity Detection [54.366236719520565]
時間的アクティビティ検出は、1フレーム当たりのアクティビティクラスを予測することを目的としている。検出に必要なフレームレベルのアノテーションが高価なため、検出データセットの規模は限られている。本研究では,分類ラベルを利用した自己教師付き事前学習手法を提案する。
論文参考訳（メタデータ） (2021-11-26T18:59:28Z)
Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation [68.8204255655161]
新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
論文参考訳（メタデータ） (2021-02-15T10:37:52Z)
Machine-Generated Hierarchical Structure of Human Activities to Reveal How Machines Think [0.0]
人間の行動認識のための階層的ラベリングシステムの構築の重要性と実現可能性について議論する。ブラックボックスharモデルの予測を用いて,異なる活動間の類似性を同定する。このシステムでは、同じレベルのアクティビティラベルは、設計された精度の大きさを持ち、特定の量のアクティビティの詳細を反映します。
論文参考訳（メタデータ） (2021-01-19T20:40:22Z)
Adaptive Meta-Learning for Identification of Rover-Terrain Dynamics [0.0]
ローバーは安全と効率を最大化する軌道を計画するために地形の知識を必要とする。高標高の地形分類は、ローバーが予想外の砂トラップで立ち往生するのを防ぐには不十分である。オンラインのローバー・テランの相互作用データを利用して将来のダイナミクスを正確に予測し、ローバーのさらなる損傷を防ぐことができる。
論文参考訳（メタデータ） (2020-09-21T21:56:44Z)

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。