論文の概要: Duodepth: Static Gesture Recognition Via Dual Depth Sensors

• arxiv url: http://arxiv.org/abs/2006.14691v1
• Date: Thu, 25 Jun 2020 20:41:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 04:14:45.853661
• Title: Duodepth: Static Gesture Recognition Via Dual Depth Sensors
• Title（参考訳）: Duodepth:デュアル深さセンサによる静的ジェスチャー認識
• Authors: Ilya Chugunov and Avideh Zakhor
• Abstract要約: 本稿では,2つの深度カメラからの同期記録によるジェスチャー認識手法について述べる。 ひとつは、反復的に最も近いポイント登録を使用して、ポイントクラウドを正確に融合させ、分類のために単一のポイントネットアーキテクチャを使用する、より古典的なアプローチである。 もう1つは、登録なしで分類するためのデュアルポイントネットアーキテクチャである。
• 参考スコア（独自算出の注目度）: 2.208242292882514
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Static gesture recognition is an effective non-verbal communication channel between a user and their devices; however many modern methods are sensitive to the relative pose of the user's hands with respect to the capture device, as parts of the gesture can become occluded. We present two methodologies for gesture recognition via synchronized recording from two depth cameras to alleviate this occlusion problem. One is a more classic approach using iterative closest point registration to accurately fuse point clouds and a single PointNet architecture for classification, and the other is a dual Point-Net architecture for classification without registration. On a manually collected data-set of 20,100 point clouds we show a 39.2% reduction in misclassification for the fused point cloud method, and 53.4% for the dual PointNet, when compared to a standard single camera pipeline.
• Abstract（参考訳）: 静的ジェスチャー認識は、ユーザとデバイス間の効果的な非言語コミュニケーションチャネルであるが、多くの現代的な手法は、ジェスチャーの一部が隠蔽される可能性があるため、キャプチャデバイスに対するユーザの手の相対的なポーズに敏感である。 本稿では,2つの奥行きカメラからの同期記録によるジェスチャー認識手法を提案する。 ひとつは、ポイントクラウドを正確に融合するための反復的最接近点登録と分類のための単一ポイントネットアーキテクチャを使ったより古典的なアプローチであり、もうひとつは登録のない分類のためのデュアルポイントネットアーキテクチャである。 手動で収集した20,100個のポイントクラウドのデータセットでは、標準の単一カメラパイプラインと比較して、融合したポイントクラウドメソッドの誤分類が39.2%減少し、デュアルポイントネットが53.4%減少した。

関連論文リスト

• Mobile-Seed: Joint Semantic Segmentation and Boundary Detection for Mobile Robots [17.90723909170376]
  セマンティックセグメンテーションと境界検出を同時に行う軽量なフレームワークであるMobile-Seedを紹介する。 我々のフレームワークは、2ストリームエンコーダ、アクティブフュージョンデコーダ(AFD)、デュアルタスク正規化アプローチを備えている。 Cityscapesデータセットの実験によると、Mobile-Seedは最先端(SOTA)ベースラインよりも顕著に改善されている。
  論文  参考訳（メタデータ） (2023-11-21T14:53:02Z)
• Triple-View Knowledge Distillation for Semi-Supervised Semantic Segmentation [54.23510028456082]
  半教師付きセマンティックセグメンテーションのためのトリプルビュー知識蒸留フレームワークTriKDを提案する。 このフレームワークは、トリプルビューエンコーダとデュアル周波数デコーダを含む。
  論文  参考訳（メタデータ） (2023-09-22T01:02:21Z)
• ObjectMatch: Robust Registration using Canonical Object Correspondences [21.516657643120375]
  本稿では,RGB-D SLAMパイプラインのためのセマンティック・オブジェクト中心のカメラポーズ推定器であるObjectMatchを提案する。 RGB-Dシークエンスを登録する場合,本手法は,挑戦的で低フレームレートのシナリオにおいて,最先端のSLAMベースラインよりも優れる。
  論文  参考訳（メタデータ） (2022-12-05T02:38:08Z)
• ImLoveNet: Misaligned Image-supported Registration Network for Low-overlap Point Cloud Pairs [14.377604289952188]
  対の点雲間の低オーバーラップ領域は、捕獲された特徴を非常に低信頼にする。 我々は,ImLoveNetと呼ばれる低オーバーラップ点雲対に対する画像対応登録ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-07-02T13:17:34Z)
• DeepDarts: Modeling Keypoints as Objects for Automatic Scorekeeping in Darts using a Single Camera [75.34178733070547]
  既存のマルチカメラソリューションは、スチールチップダーツの自動スコア管理に非常に高価であり、ほとんどのプレイヤーにはアクセスできない。 キーポイント検出に対する新しいアプローチを提案し,任意のカメラアングルから撮影した単一の画像からダートスコアを予測する。 我々は、このアイデアにまつわる深い畳み込みニューラルネットワークを開発し、ダート位置とダートボードの校正点を予測する。
  論文  参考訳（メタデータ） (2021-05-20T16:25:57Z)
• DeepI2P: Image-to-Point Cloud Registration via Deep Classification [71.3121124994105]
  DeepI2Pは、イメージとポイントクラウドの間のクロスモダリティ登録のための新しいアプローチです。 本手法は,カメラとライダーの座標フレーム間の相対的剛性変換を推定する。 登録問題を分類および逆カメラ投影最適化問題に変換することで難易度を回避する。
  論文  参考訳（メタデータ） (2021-04-08T04:27:32Z)
• City-scale Scene Change Detection using Point Clouds [71.73273007900717]
  2つの異なる時間にカメラを設置して撮影した画像を用いて都市の構造変化を検出する手法を提案する。 変化検出のための2点雲の直接比較は、不正確な位置情報のため理想的ではない。 この問題を回避するために,ポイントクラウド上での深層学習に基づく非厳密な登録を提案する。 提案手法は,視点や照明の違いがあっても,シーン変化を効果的に検出できることを示す。
  論文  参考訳（メタデータ） (2021-03-26T08:04:13Z)
• Decoupled and Memory-Reinforced Networks: Towards Effective Feature Learning for One-Step Person Search [65.51181219410763]
  歩行者検出と識別サブタスクを1つのネットワークで処理するワンステップ方式を開発しました。 現在のワンステップアプローチには2つの大きな課題があります。 本稿では,これらの問題を解決するために,分離メモリ強化ネットワーク(DMRNet)を提案する。
  論文  参考訳（メタデータ） (2021-02-22T06:19:45Z)
• Corner Proposal Network for Anchor-free, Two-stage Object Detection [174.59360147041673]
  オブジェクト検出の目標は、画像内のオブジェクトのクラスと位置を決定することである。 本稿では,多数のオブジェクト提案を抽出する新しいアンカーフリー2段階フレームワークを提案する。 この2つの段階が,リコールと精度の向上に有効な解であることを示す。
  論文  参考訳（メタデータ） (2020-07-27T19:04:57Z)
• Du$^2$Net: Learning Depth Estimation from Dual-Cameras and Dual-Pixels [16.797169907541164]
  本稿では,デュアルカメラのステレオとデュアルピクセルセンサのステレオを組み合わせた深度推定のためのニューラルネットワークに基づく新しいアプローチを提案する。 我々のネットワークは、2つの情報ソースを融合するために新しいアーキテクチャを使用し、純粋な双眼鏡ステレオマッチングの限界を克服することができる。
  論文  参考訳（メタデータ） (2020-03-31T15:39:43Z)
• Dual-Triplet Metric Learning for Unsupervised Domain Adaptation in Video-Based Face Recognition [8.220945563455848]
  新しいビデオカメラでキャプチャしたラベルのないトラックレットを用いて、シームズネットワークのCNN埋め込みに適応する新しいディープドメイン適応(DA)法を提案する。 提案手法は,異なるトレーニングシナリオ下での深層シームズネットワークのトレーニングに使用される。
  論文  参考訳（メタデータ） (2020-02-11T05:06:30Z)

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。