論文の概要: ClusterVO: Clustering Moving Instances and Estimating Visual Odometry for Self and Surroundings

• arxiv url: http://arxiv.org/abs/2003.12980v1
• Date: Sun, 29 Mar 2020 09:06:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 13:59:21.206816
• Title: ClusterVO: Clustering Moving Instances and Estimating Visual Odometry for Self and Surroundings
• Title（参考訳）: ClusterVO: 移動インスタンスのクラスタ化と自己と周辺のためのビジュアルオドメトリの推定
• Authors: Jiahui Huang, Sheng Yang, Tai-Jiang Mu, Shi-Min Hu
• Abstract要約: ClusterVOはステレオビジュアルオドメトリーで、エゴと周囲の固いクラスタ/オブジェクトの両方の動きを同時にクラスタし、推定する。 以前のソリューションでは、バッチ入力やシーン構造や動的オブジェクトモデルへの事前の指示に頼っていたが、ClusterVOは一般的にオンラインであり、屋内のシーン理解や自律運転など、さまざまなシナリオで使用することができる。
• 参考スコア（独自算出の注目度）: 54.33327082243022
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present ClusterVO, a stereo Visual Odometry which simultaneously clusters and estimates the motion of both ego and surrounding rigid clusters/objects. Unlike previous solutions relying on batch input or imposing priors on scene structure or dynamic object models, ClusterVO is online, general and thus can be used in various scenarios including indoor scene understanding and autonomous driving. At the core of our system lies a multi-level probabilistic association mechanism and a heterogeneous Conditional Random Field (CRF) clustering approach combining semantic, spatial and motion information to jointly infer cluster segmentations online for every frame. The poses of camera and dynamic objects are instantly solved through a sliding-window optimization. Our system is evaluated on Oxford Multimotion and KITTI dataset both quantitatively and qualitatively, reaching comparable results to state-of-the-art solutions on both odometry and dynamic trajectory recovery.
• Abstract（参考訳）: 本研究では,egoと周辺剛体クラスタ/オブジェクトの運動を同時にクラスターし,推定するステレオ視覚オドメトリであるclustervoを提案する。 バッチ入力やシーン構造や動的オブジェクトモデルへの事前設定に依存する従来のソリューションとは異なり、clustervoは一般的にオンラインであり、屋内のシーン理解や自動運転など、さまざまなシナリオで使用することができる。 システムの中核は,マルチレベル確率的結合機構と不均一条件確率場(crf)クラスタリング手法であり,意味的,空間的,動き的情報を組み合わせることで,各フレームのクラスタセグメンテーションをオンライン上で推定する。 カメラと動的オブジェクトのポーズは、スライディングウィンドウ最適化によって即座に解決される。 本システムは,Oxford Multimotion と KITTI を用いて定量的および定性的に評価し,計測と動的軌跡回復の両面での最先端解に匹敵する結果を得た。

関連論文リスト

• Problem-oriented AutoML in Clustering [2.541080349729282]
  Problem-oriented AutoML in Clustering (PoAC)フレームワークは、クラスタリングタスクを自動化する新しいフレキシブルなアプローチを導入している。 PoACはクラスタリング問題、CVI、メタ機能の間の動的接続を確立し、ユーザーはこれらのコンポーネントをカスタマイズできる。 PoACはアルゴリズムに依存しないため、追加のデータや再トレーニングを必要とせずに、異なるクラスタリング問題にシームレスに適応する。
  論文  参考訳（メタデータ） (2024-09-24T16:25:53Z)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Let-It-Flow: Simultaneous Optimization of 3D Flow and Object Clustering [2.763111962660262]
  実大規模原点雲列からの自己監督型3次元シーンフロー推定の問題点について検討する。 重なり合うソフトクラスタと非重なり合う固いクラスタを組み合わせられる新しいクラスタリング手法を提案する。 本手法は,複数の独立移動物体が互いに近接する複雑な動的シーンにおける流れの解消に優れる。
  論文  参考訳（メタデータ） (2024-04-12T10:04:03Z)
• Neural Clustering based Visual Representation Learning [61.72646814537163]
  クラスタリングは、機械学習とデータ分析における最も古典的なアプローチの1つである。 本稿では,特徴抽出をデータから代表者を選択するプロセスとみなすクラスタリング(FEC)による特徴抽出を提案する。 FECは、個々のクラスタにピクセルをグループ化して抽象的な代表を配置し、現在の代表とピクセルの深い特徴を更新する。
  論文  参考訳（メタデータ） (2024-03-26T06:04:50Z)
• Prompt-Driven Dynamic Object-Centric Learning for Single Domain Generalization [61.64304227831361]
  単一ドメインの一般化は、単一のソースドメインデータからモデルを学び、他の見えないターゲットドメイン上での一般的なパフォーマンスを達成することを目的としている。 本稿では,画像の複雑さの変化に対応することを目的とした,素早い学習に基づく動的物体中心知覚ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-02-28T16:16:51Z)
• Clustering in Dynamic Environments: A Framework for Benchmark Dataset Generation With Heterogeneous Changes [11.56518009058007]
  動的環境におけるクラスタリングは、リアルタイムデータ分析やオンライン教師なし学習から動的施設配置問題まで幅広い応用において、重要性が増している。 静的クラスタリングタスクでは,メタヒューリスティックスが有望な有効性を示している。 これは、さまざまな動的シナリオにおけるクラスタリングアルゴリズムの体系的なパフォーマンス評価を妨げる、多様な、制御可能な、現実的な動的特性を備えた動的データセットの欠如による部分もある。 この欠陥は、動的環境におけるクラスタリングのアルゴリズムを効果的に設計する私たちの理解と能力のギャップにつながる。
  論文  参考訳（メタデータ） (2024-02-24T05:49:27Z)
• Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
  線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。 特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。 いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
  論文  参考訳（メタデータ） (2022-08-25T05:47:39Z)
• Towards Scale Consistent Monocular Visual Odometry by Learning from the Virtual World [83.36195426897768]
  仮想データから絶対スケールを取得するための新しいフレームワークであるVRVOを提案する。 まず、モノクロ実画像とステレオ仮想データの両方を用いて、スケール対応の異種ネットワークをトレーニングする。 結果として生じるスケール一貫性の相違は、直接VOシステムと統合される。
  論文  参考訳（メタデータ） (2022-03-11T01:51:54Z)
• Segmentation of turbulent computational fluid dynamics simulations with unsupervised ensemble learning [0.0]
  コンピュータビジョンと機械学習ツールは、複雑なコンピュータシミュレーションから情報を自動的に分析し分類するエキサイティングな新しい方法を提供する。 そこで我々は,シミュレーションデータの出力内容を独立して,頑健に分類し,分解できるアンサンブル機械学習フレームワークを設計する。
  論文  参考訳（メタデータ） (2021-09-03T08:52:38Z)
• Multi-Facet Clustering Variational Autoencoders [9.150555507030083]
  画像などの高次元データは通常、クラスタリング可能な複数の興味深い特徴を特徴付ける。 MFCVAE(Multi-Facet Clustering Variational Autoencoders)を導入する。 MFCVAEは複数のクラスタリングを同時に学習し、完全に教師なしでエンドツーエンドで訓練されている。
  論文  参考訳（メタデータ） (2021-06-09T17:36:38Z)

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。