Design of Convolutional Extreme Learning Machines for Vision-Based Navigation Around Small Bodies

要約

畳み込みニューラル ネットワークなどのディープ ラーニング アーキテクチャは、画像処理タスクのコンピューター ビジョンの標準です。
ただし、それらの精度は、多くの場合、長くて計算コストの高いトレーニング、大規模な注釈付きデータセットの必要性、および大規模なハイパーパラメーター検索の代償を伴います。
一方、畳み込み極端学習マシンとして知られる別の方法は、トレーニング時間を大幅に短縮して同等のパフォーマンスを発揮する可能性を示しています。
特に小さな物体に関する宇宙画像は、この方法に適している可能性があります。
この作業では、畳み込みの極端な学習マシン アーキテクチャが設計され、対応する深層学習に対してテストされます。
前者のトレーニング時間が比較的短いため、畳み込みエクストリーム ラーニング マシン アーキテクチャは、後者では非現実的だったアーキテクチャ設計空間の効率的な調査を可能にし、コンピュータ ビジョン タスク用のニューラル ネットワーク アーキテクチャの効率的な設計のための方法論を導入します。
.
また、画像処理方法とラベリング戦略の間の結合が調査され、小さな物体の周りの視覚ベースのナビゲーションを検討する際に主要な役割を果たすことが実証されています。

要約(オリジナル)

Deep learning architectures such as convolutional neural networks are the standard in computer vision for image processing tasks. Their accuracy however often comes at the cost of long and computationally expensive training, the need for large annotated datasets, and extensive hyper-parameter searches. On the other hand, a different method known as convolutional extreme learning machine has shown the potential to perform equally with a dramatic decrease in training time. Space imagery, especially about small bodies, could be well suited for this method. In this work, convolutional extreme learning machine architectures are designed and tested against their deep-learning counterparts. Because of the relatively fast training time of the former, convolutional extreme learning machine architectures enable efficient exploration of the architecture design space, which would have been impractical with the latter, introducing a methodology for an efficient design of a neural network architecture for computer vision tasks. Also, the coupling between the image processing method and labeling strategy is investigated and demonstrated to play a major role when considering vision-based navigation around small bodies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google