論文紹介:
Pan, Wei-Xing, et al. "Dopamine cells respond to predicted events during classical conditioning: evidence for eligibility traces in the reward-learning network." The Journal of neuroscience 25.26 (2005): 6235-6242.
【DLゼミ】XFeat: Accelerated Features for Lightweight Image Matchingharmonylab
公開URL:https://arxiv.org/pdf/2404.19174
出典:Guilherme Potje, Felipe Cadar, Andre Araujo, Renato Martins, Erickson R. ascimento: XFeat: Accelerated Features for Lightweight Image Matching, Proceedings of the 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (2023)
概要:リソース効率に優れた特徴点マッチングのための軽量なアーキテクチャ「XFeat(Accelerated Features)」を提案します。手法は、局所的な特徴点の検出、抽出、マッチングのための畳み込みニューラルネットワークの基本的な設計を再検討します。特に、リソースが限られたデバイス向けに迅速かつ堅牢なアルゴリズムが必要とされるため、解像度を可能な限り高く保ちながら、ネットワークのチャネル数を制限します。さらに、スパース下でのマッチングを選択できる設計となっており、ナビゲーションやARなどのアプリケーションに適しています。XFeatは、高速かつ同等以上の精度を実現し、一般的なラップトップのCPU上でリアルタイムで動作します。
セル生産方式におけるロボットの活用には様々な問題があるが,その一つとして 3 体以上の物体の組み立てが挙げられる.一般に,複数物体を同時に組み立てる際は,対象の部品をそれぞれロボットアームまたは治具でそれぞれ独立に保持することで組み立てを遂行すると考えられる.ただし,この方法ではロボットアームや治具を部品数と同じ数だけ必要とし,部品数が多いほどコスト面や設置スペースの関係で無駄が多くなる.この課題に対して音𣷓らは組み立て対象物に働く接触力等の解析により,治具等で固定されていない対象物が組み立て作業中に運動しにくい状態となる条件を求めた.すなわち,環境中の非把持対象物のロバスト性を考慮して,組み立て作業条件を検討している.本研究ではこの方策に基づいて,複数物体の組み立て作業を単腕マニピュレータで実行することを目的とする.このとき,対象物のロバスト性を考慮することで,仮組状態の複数物体を同時に扱う手法を提案する.作業対象としてパイプジョイントの組み立てを挙げ,簡易な道具を用いることで単腕マニピュレータで複数物体を同時に把持できることを示す.さらに,作業成功率の向上のために RGB-D カメラを用いた物体の位置検出に基づくロボット制御及び動作計画を実装する.
This paper discusses assembly operations using a single manipulator and a parallel gripper to simultaneously
grasp multiple objects and hold the group of temporarily assembled objects. Multiple robots and jigs generally operate
assembly tasks by constraining the target objects mechanically or geometrically to prevent them from moving. It is
necessary to analyze the physical interaction between the objects for such constraints to achieve the tasks with a single
gripper. In this paper, we focus on assembling pipe joints as an example and discuss constraining the motion of the
objects. Our demonstration shows that a simple tool can facilitate holding multiple objects with a single gripper.
18. ベイズの定理
• 事後確率
• 観測データ x が与えられた下で、それがクラス Ci に属する条件
付き確率
• 事前確率
• Ci の生起確率
• データを観測する前からわかっている確率
P Ci x( )=
p x Ci( )
p x( )
× P Ci( )
事後確率
尤度
周辺確率
事前確率
20. ベイズの定理
• 周辺確率
• 観測データ x の生起確率
• 全てのクラスに対する観測データ x の同時確率を合計(周辺化)
することで得られる。
P Ci x( )=
p x Ci( )
p x( )
× P Ci( )
事後確率
尤度
周辺確率
事前確率
p x( )= p Ci, x( )
i=1
K
∑
21. 最大事後確率基準による識別
• 識別においては、観測データ x に対して事後確率が一番大きなクラ
スを採用する。
• 事前確率p(x) はクラスが異なっても一定であるため、識別において
は無視できる。
argmax
i
P Ci x( )
= argmax
i
p x Ci( )P Ci( )
p x( )
= argmax
i
p x Ci( )P Ci( )
26. 尤度の演算
• 条件付き独立 P(S,T|G) = P(S|G) P(T|G) を仮定
サンプル数
喫煙する人
(S=1)
飲酒する人
(T=1)
健康な人(G=1)
800人
320人
640人
健康でない人(G=0)
200人
160人
40人
S=1
S=0
G=1
320/800
480/800
G=0
160/200
40/200
T=1
T=0
G=1
640/800
160/800
G=0
40/200
160/200
P(S|G)の演算
P(T|G)の演算
P G | S,T( )=
P S,T |G( )P G( )
P S,T( )
S=1, T=1
S=0, T=1
S=1, T=0
S=0, T=0
G=1
(2/5) X (4/5)
(3/5) X (4/5)
(2/5) X (1/5)
(3/5) X (1/5)
G=0
(4/5) X (1/5)
(1/5) X (1/5)
(4/5) X (4/5)
(1/5) X (4/5)
P(S,T|G)の演算
27. 周辺確率の演算
• 周辺化により P(S,T) を演算
P G | S,T( )=
P S,T |G( )P G( )
P S,T( )
S=1, T=1
S=0, T=1
S=1, T=0
S=0, T=0
P(S,T|G=1)
(2/5) X (4/5)
(3/5) X (4/5)
(2/5) X (1/5)
(3/5) X (1/5)
P(S,T|G=0)
(4/5) X (1/5)
(1/5) X (1/5)
(4/5) X (4/5)
(1/5) X (4/5)
P(S,T,G=1)
(8/25) X (4/5)
(12/25) X (4/5)
(2/25) X (4/5)
(3/25) X (4/5)
P(S,T,G=0)
(4/25) X (1/5)
(1/25) X (1/5)
(16/25) X (1/5)
(4/25) X (1/5)
P(S,T)
36/125
49/125
24/125
16/125
• ①→②: P(S,T,G) = P(S,T|G) X P(G)
• ②→③: P(S,T) = P(S,T,G=0) + P(S,T,G=1) (←周辺化)
①
②
③
28. 事後確率の演算
• ベイズの定理より事後確率を演算
P G | S,T( )=
P S,T |G( )P G( )
P S,T( )
S=1, T=1
S=0, T=1
S=1, T=0
S=0, T=0
P(G=1|S,T)
8/9
48/49
1/3
3/4
P(G=0|S,T)
1/9
1/49
2/3
1/4
• 観測データ S, T に対して事後確率の大きい方のクラ
スとして判定される。
29. 3.1.3. 尤度比
• ある観測データ x が2つのクラスのどちらであるかを識別する
際、尤度の比と事前確率の比を比べれば識別ができるという
だけのお話。
p x Ci( )P Ci( )
>
<
!
"
#
$
%
&
p x Cj( )P Cj( )
⇒ Ci
⇒ Cj
!
"
#
$
%
&
p x Ci( )
p x Cj( )
>
<
!
"
#
$
%
&
P Cj( )
P Ci( )
⇒ Ci
⇒ Cj
!
"
#
$
%
&
41. 最小損失基準に基づく識別
• 観測データ x をクラス Ci と判断した時に被る損失を定義
r Ci x( )= LikP Ck x( )
k=1
K
∑
観測データ x を
Ckと判断する確率
• 観測データ x に対して損失が最も小さいクラスに識別する
argmin
i
r Ci x( )
42. 最小損失基準に基づく識別の例(2 クラス)
• 事後確率は下記の通りとする
• P(C1|x) = 0.6
• P(C2|x) = 0.4
• 最大事後確率基準では観測データ x は C1 と判定される
• 下記の損失行列を定義
r Ci x( )= LikP Ck x( )
k=1
K
∑
L11 L12
L21 L22
!
"
#
#
$
%
&
&
=
0 20
10 0
!
"
#
$
%
&
真のクラス:C1 (k=1)
真のクラス:C2 (k=2)
合計
識別:C1 (i=1)
0 x 0.6
20 x 0.4
8
識別:C2 (i=2)
10 x 0.6
0 x 0.4
6
C2をC1と識別した時
の損失が大きいので、
最小損失基準に基づ
く識別ではC2と判定
損失
L12 × P(C1|x)
L22 × P(C2|x)