VLocNet++: Deep Multitask Learning for Semantic Visual Localization and Odometry
VLocNet++: یادگیری چند وظیفه‌ای عمیق برای تعیین موقعیت بصری معنایی و مسافت‌پیمایی
دانلود مقاله
| زمینه | کامپیوتر |
|---|---|
| نام ژورنال | IEEE ROBOTICS AND AUTOMATION LETTERS, VOL. 3, NO. 4, OCTOBER 2018 |
| نام نویسنده | Noha Radwan,Abhinav Valada,Wolfram Burgard |
| سال انتشار | 2018 |
| تعداد صفحات انگلیسی | 8صفحه |
| تعداد صفحات فارسی | 24صفحه |
| تعداد کلمات | 6800 |
ترجمه تخصصی چکیده مقاله
درک معنایی و تعیین موقعیت (مکان یابی) از عوامل بنیادین خودمختاری روبات‌ها هستند که عمدتاً به عنوان مسائل مجزایی مورد بحث قرار گرفته‌اند. درحالی‌که یادگیری عمیق، امکان پیشرفت‌های اخیر را در طیف وسیعی از وظایف ادراک محیطی فراهم کرده است، اما کاربرد آن برای وظایف برآورد حالت به دلیل فرمولاسیون مستقیم که آن را در کدگذاری محدودیت‌های (قید‌های) مختص یک محیط ناتوان می‌سازد، محدود بوده است. در این مقاله، ما معماری VLocNet++ را پیشنهاد میکنیم که از روش یادگیری چند وظیفه‌ای برای کاربرد رابطه میان-وظیفه‌ای در بین مفهوم یادگیری، رگرسیون حالت عمومی شش درجه آزادی و مسافت پیمایی (یا مسافت سنجی) برای هر کدام از این وظایف، بهره می‌گیرد. شبکه ما از طریق کاربرد دانش معنایی و هندسی محیط(جهان) به طور هم‌زمان به صورت یک شبکه رگرسیون وضعیت بر محدودیت پیش‌گفته غلبه می‌کند.
آیا خرید این مقاله به صرفه است؟ بله. چون اگر بخواهید این مقاله را به عنوان یک سفارش در سایت فست مترجم ثبت نمایید تا ترجمه شود، هزینه ترجمه آن 1,700,000 تومان است . اما با خرید آن از فروشگاه فست مترجم، بیش از 85 درصد تخفیف گرفته اید.
سایر مقالات ترجمه شده رشته کامپیوتر
iFogSim : ابزاری برای مدل سازی و شبیه سازی روش های مدیریت منابع در اینترنت اشیا، محیط های محاسبه مه و لبه
مدیریت فراداده فایل در لینوکس توکار
