論文の概要: Cloth in the Wind: A Case Study of Physical Measurement through
Simulation
- arxiv url: http://arxiv.org/abs/2003.05065v1
- Date: Mon, 9 Mar 2020 21:32:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-25 09:19:16.737902
- Title: Cloth in the Wind: A Case Study of Physical Measurement through
Simulation
- Title(参考訳): 風中の布 : シミュレーションによる物理計測を事例として
- Authors: Tom F.H. Runia, Kirill Gavrilyuk, Cees G.M. Snoek, Arnold W.M.
Smeulders
- Abstract要約: 実例を一度も見ずに風中の布の潜伏物性を測定することを提案する。
私たちのソリューションは、シミュレーションをコアとした反復的な洗練手順です。
この対応は、物理的に類似した例を近くの点にマッピングする埋め込み関数を用いて測定される。
- 参考スコア(独自算出の注目度): 50.31424339972478
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For many of the physical phenomena around us, we have developed sophisticated
models explaining their behavior. Nevertheless, measuring physical properties
from visual observations is challenging due to the high number of causally
underlying physical parameters -- including material properties and external
forces. In this paper, we propose to measure latent physical properties for
cloth in the wind without ever having seen a real example before. Our solution
is an iterative refinement procedure with simulation at its core. The algorithm
gradually updates the physical model parameters by running a simulation of the
observed phenomenon and comparing the current simulation to a real-world
observation. The correspondence is measured using an embedding function that
maps physically similar examples to nearby points. We consider a case study of
cloth in the wind, with curling flags as our leading example -- a seemingly
simple phenomena but physically highly involved. Based on the physics of cloth
and its visual manifestation, we propose an instantiation of the embedding
function. For this mapping, modeled as a deep network, we introduce a spectral
layer that decomposes a video volume into its temporal spectral power and
corresponding frequencies. Our experiments demonstrate that the proposed method
compares favorably to prior work on the task of measuring cloth material
properties and external wind force from a real-world video.
- Abstract(参考訳): 私たちを取り巻く多くの物理現象に対して、我々はそれらの振る舞いを説明する洗練されたモデルを開発した。
それでも、物質特性や外部力を含む多くの因果的物理パラメータが原因で、視覚的な観察から物理的特性を測定することは困難である。
本稿では,実例を見ることなく,風中の布の潜伏物性を測定することを提案する。
私たちのソリューションは、シミュレーションを核とする反復的なリファインメント手順です。
このアルゴリズムは、観測された現象のシミュレーションを実行し、現在のシミュレーションと実世界の観測を比較して、物理モデルパラメータを徐々に更新する。
この対応は、物理的に類似した例を近くの点にマップする埋め込み関数を用いて測定される。
風の布のケーススタディを考えて、カーリングフラッグを主な例として挙げます。
布の物理とその視覚的表現に基づいて,組込み関数のインスタンス化を提案する。
深層ネットワークとしてモデル化されたこのマッピングでは,ビデオボリュームを時間的スペクトルパワーと対応する周波数に分解するスペクトル層を導入する。
提案手法は,実世界の映像から布素材特性と外風力を測定する作業において,先行研究と好適に比較できることを示す。
関連論文リスト
- Physion++: Evaluating Physical Scene Understanding that Requires Online
Inference of Different Physical Properties [100.19685489335828]
この研究は、人工システムにおける視覚的身体的予測を厳格に評価する新しいデータセットとベンチマークであるPhysylon++を提案する。
正確な予測が質量、摩擦、弾性、変形性などの特性の推定に依存するシナリオをテストする。
我々は,様々なレベルの学習と組込み知識にまたがる最先端予測モデルの性能を評価し,その性能を人間の予測と比較した。
論文 参考訳(メタデータ) (2023-06-27T17:59:33Z) - Predicting Physical Object Properties from Video [28.19031441659854]
本稿では,映像から物体の物理的特性を推定する手法を提案する。
提案手法は物理エンジンと補正推定器から構成される。
いくつかのシミュレーション2次元シナリオにおいて,学習した手法のより高速でより堅牢な収束を実証する。
論文 参考訳(メタデータ) (2022-06-02T08:46:22Z) - ComPhy: Compositional Physical Reasoning of Objects and Events from
Videos [113.2646904729092]
目に見える性質と隠れた性質の間の構成性は、物理的な世界から推論するAIモデルに固有の課題をもたらす。
ビデオ推論に関する既存の研究は、主に物体の外観、動き、接触相互作用などの視覚的に観察可能な要素に焦点を当てている。
本稿では,視覚知覚,物理特性学習,動的予測,記号実行を組み合わせた,構成物理学学習(CPL)と呼ばれるオラクルニューラルシンボリックフレームワークを提案する。
論文 参考訳(メタデータ) (2022-05-02T17:59:13Z) - A Bayesian Treatment of Real-to-Sim for Deformable Object Manipulation [59.29922697476789]
本稿では,変形可能な物体の状態を分布埋め込みとして表現する手法を用いて,画像列から状態情報を抽出する手法を提案する。
実験により, 弾性, 摩擦, スケールなどの物性の後方分布を, 布やロープなどの高変形性物体で推定できることが確認された。
論文 参考訳(メタデータ) (2021-12-09T17:50:54Z) - DiffSDFSim: Differentiable Rigid-Body Dynamics With Implicit Shapes [9.119424247289857]
微分物理学は、シーンの理解と相互作用の推論のためのコンピュータとロボティクスの強力なツールである。
既存のアプローチは、前もって単純な形状や形状のオブジェクトに限られていることが多い。
論文 参考訳(メタデータ) (2021-11-30T11:56:24Z) - Visual Vibration Tomography: Estimating Interior Material Properties
from Monocular Video [66.94502090429806]
物体の内部の物質特性は、人間の目には見えないが、表面で観察される動きを決定する。
本研究では,物体の表面振動の単分子ビデオから物体の異種材料特性を推定する手法を提案する。
論文 参考訳(メタデータ) (2021-04-06T18:05:27Z) - Discovery of Physics and Characterization of Microstructure from Data
with Bayesian Hidden Physics Models [3.233903327116536]
まず, 金属試料中の音響インパルスの伝播を規定する物理を, プリスチン試料から得られたデータを用いて明らかにする。
次に、学習した物理を用いて、表面破断欠陥のある別個の標本の微細構造を特徴づける。
興味深いことに、最初の標本から学んだ物理学は、後者のサンプルで観察された後方散乱を理解するのに役立ちます。
論文 参考訳(メタデータ) (2021-03-12T19:47:06Z) - Visual Grounding of Learned Physical Models [66.04898704928517]
人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。
我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。
実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
論文 参考訳(メタデータ) (2020-04-28T17:06:38Z)
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。