論文の概要: Comparing View-Based and Map-Based Semantic Labelling in Real-Time SLAM

• arxiv url: http://arxiv.org/abs/2002.10342v1
• Date: Mon, 24 Feb 2020 16:12:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 04:15:06.812729
• Title: Comparing View-Based and Map-Based Semantic Labelling in Real-Time SLAM
• Title（参考訳）: リアルタイムSLAMにおけるビューベースとマップベースセマンティックラベリングの比較
• Authors: Zoe Landgraf, Fabian Falck, Michael Bloesch, Stefan Leutenegger, Andrew Davison
• Abstract要約: 空間AIシステムは、幾何学的モデルと意味のあるセマンティックラベルを組み合わせた永続的なシーン表現を構築する必要がある。 本稿では,リアルタイムマップ融合を有効利用可能なプラットフォームとして利用する実験フレームワークと比較について述べる。
• 参考スコア（独自算出の注目度）: 21.502428526207233
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generally capable Spatial AI systems must build persistent scene representations where geometric models are combined with meaningful semantic labels. The many approaches to labelling scenes can be divided into two clear groups: view-based which estimate labels from the input view-wise data and then incrementally fuse them into the scene model as it is built; and map-based which label the generated scene model. However, there has so far been no attempt to quantitatively compare view-based and map-based labelling. Here, we present an experimental framework and comparison which uses real-time height map fusion as an accessible platform for a fair comparison, opening up the route to further systematic research in this area.
• Abstract（参考訳）: 一般に有能な空間AIシステムは、幾何学的モデルと意味のあるセマンティックラベルを組み合わせた永続的なシーン表現を構築しなければならない。 シーンをラベル付けするための多くのアプローチは、入力されたビューワイズデータからラベルを推定するビューベースと、生成したシーンモデルに徐々に融合するマップベースという2つの明確なグループに分けられる。 しかし、ビューベースとマップベースのラベルを定量的に比較する試みは今のところない。 本稿では, リアルタイムマップ融合を公平な比較を行うためのプラットフォームとして利用し, さらなる体系的な研究への道を開く実験フレームワークと比較について述べる。

関連論文リスト

• Using a negative spatial auto-correlation index to evaluate and improve intrinsic TagMap's multi-scale visualization capabilities [1.829179623372777]
  タグマップの既存の方法論は、主に特定のスケールでのタグレイアウトに焦点を当てている。 負の空間自己相関指数をタグマップに組み込んで,タグサイズ分布の均一性を評価する。 この強化には、候補タグを反復的にフィルタリングし、定義されたインデックス基準を満たす最適なタグを選択することが含まれる。
  論文  参考訳（メタデータ） (2024-08-08T08:52:27Z)
• Label Learning Method Based on Tensor Projection [82.51786483693206]
  テンソルプロジェクション(LLMTP)に基づくラベル学習手法を提案する。 行列射影変換をテンソル射影に拡張し、ビュー間の空間構造情報を活用できるようにする。 さらに、テンソルのSchatten $p$-norm正規化を導入し、異なるビューのクラスタリングラベル行列を可能な限り一貫性を持たせる。
  論文  参考訳（メタデータ） (2024-02-26T13:03:26Z)
• A Data-efficient Framework for Robotics Large-scale LiDAR Scene Parsing [10.497309421830671]
  既存の最先端の3Dポイントクラウド理解手法は、完全に教師された方法でのみうまく機能する。 この研究は、ラベルが制限されているときのポイントクラウドを理解するための、汎用的でシンプルなフレームワークを提示している。
  論文  参考訳（メタデータ） (2023-12-03T02:38:51Z)
• Semantic-Aware Representation Blending for Multi-Label Image Recognition with Partial Labels [86.17081952197788]
  そこで我々は,未知のラベルを補うために,異なる画像にカテゴリ固有の表現をブレンドして,既知のラベルの情報を伝達することを提案する。 MS-COCO、Visual Genome、Pascal VOC 2007データセットの実験は、提案されたSARBフレームワークが、現在の主要な競合相手よりも優れたパフォーマンスを得ることを示している。
  論文  参考訳（メタデータ） (2022-03-04T07:56:16Z)
• AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
  リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。 我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
  論文  参考訳（メタデータ） (2022-01-31T20:02:22Z)
• MAOMaps: A Photo-Realistic Benchmark For vSLAM and Map Merging Quality Assessment [0.0]
  本稿では,視覚に基づく同時ローカライゼーションとマッピング(vSLAM)とマップマージアルゴリズムの品質を定量的に評価することを目的とした,新しいベンチマークを提案する。 データセットはフォトリアリスティックで、ローカライゼーションとマップグラウンドの真理データの両方を提供する。 vSLAMで構築した地図と地上の地図を比較するために、SLAMコンテキストを考慮に入れた、それらの間の対応を見つける新しい方法を導入する。
  論文  参考訳（メタデータ） (2021-05-31T14:30:36Z)
• Debiased Contrastive Learning [64.98602526764599]
  我々は,同ラベルデータポイントのサンプリングを補正する,偏りのあるコントラスト目的の開発を行う。 実証的に、提案する目的は、視覚、言語、強化学習ベンチマークにおける表現学習の最先端を一貫して上回る。
  論文  参考訳（メタデータ） (2020-07-01T04:25:24Z)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)
• Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
  本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。 そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。 我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
  論文  参考訳（メタデータ） (2020-03-17T12:59:50Z)

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。