論文の概要: Line-Circle-Square (LCS): A Multilayered Geometric Filter for Edge-Based
Detection
- arxiv url: http://arxiv.org/abs/2008.09315v3
- Date: Wed, 13 Jan 2021 04:30:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 22:13:50.589178
- Title: Line-Circle-Square (LCS): A Multilayered Geometric Filter for Edge-Based
Detection
- Title(参考訳): Line-Circle-Square (LCS):エッジベース検出のための多層幾何フィルタ
- Authors: Seyed Amir Tafrishi and Xiaotian Dai and Vahid Esmaeilzadeh Kandjani
- Abstract要約: 提案フィルタは,設定された各専門家に対して,過度に計算せずにシーンを判断するための高レベル情報を抽出するために,検出,追跡,学習を行う。
本実験は,実験と実世界の両方のシナリオにおいて,検出精度と資源使用量の観点から,提案フィルタの有効性を検証した。
- 参考スコア(独自算出の注目度): 2.4054377316708964
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a state-of-the-art filter that reduces the complexity in
object detection, tracking and mapping applications. Existing edge detection
and tracking methods are proposed to create suitable autonomy for mobile
robots, however, many of them face overconfidence and large computations at the
entrance to scenarios with an immense number of landmarks. The method in this
work, the Line-Circle-Square (LCS) filter, claims that mobile robots without a
large database for object recognition and highly advanced prediction methods
can deal with incoming objects that the camera captures in real-time. The
proposed filter applies detection, tracking and learning to each defined expert
to extract higher level information for judging scenes without
over-calculation. The interactive learning feed between each expert increases
the consistency of detected landmarks that works against overwhelming detected
features in crowded scenes. Our experts are dependent on trust factors'
covariance under the geometric definitions to ignore, emerge and compare
detected landmarks. The experiment validates the effectiveness of the proposed
filter in terms of detection precision and resource usage in both experimental
and real-world scenarios.
- Abstract(参考訳): 本稿では,オブジェクト検出,追跡,マッピングアプリケーションの複雑さを軽減する最先端フィルタを提案する。
既存のエッジ検出とトラッキング手法は,移動ロボットに適した自律性を実現するために提案されているが,その多くが,膨大な数のランドマークを持つシナリオへの入り口において,過信と大規模計算に直面している。
この研究の方法であるLine-Circle-Square (LCS)フィルタは、物体認識のための大規模なデータベースや高度な予測手法を持たない移動ロボットは、カメラがリアルタイムでキャプチャするオブジェクトを処理できると主張している。
提案するフィルタは,各専門家に対して検出,追跡,学習を行い,過剰な計算を行わずにシーンを判断するための高レベル情報を抽出する。
各専門家間のインタラクティブな学習フィードは、混雑したシーンで圧倒的に検出された特徴に対して機能する検出されたランドマークの一貫性を高める。
我々の専門家は,幾何学的定義の下で検出されたランドマークを無視,創発,比較するための信頼要因の共分散に依存する。
本実験は,実験と実世界のシナリオの両方において,検出精度と資源使用量の観点から,提案フィルタの有効性を検証する。
関連論文リスト
- Transcending Forgery Specificity with Latent Space Augmentation for
Generalizable Deepfake Detection [61.845902530915325]
LSDAと呼ばれる簡易で効果的なディープフェイク検出器を提案する。
それは偽りの考えに基づいており、より多様な偽の表現はより一般化可能な決定境界を学べるべきである。
提案手法は驚くほど有効であり, 広く使用されている複数のベンチマークで最先端の検出器を超越することを示す。
論文 参考訳(メタデータ) (2023-11-19T09:41:10Z) - Improving Cross-dataset Deepfake Detection with Deep Information
Decomposition [57.284370468207214]
ディープフェイク技術は、セキュリティと社会的信頼に重大な脅威をもたらす。
既存の検出方法は、クロスデータセットのシナリオに直面した場合、パフォーマンスの急激な低下に悩まされる。
本稿では,深層情報分解(DID)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-30T12:30:25Z) - Linear Object Detection in Document Images using Multiple Object
Tracking [58.720142291102135]
線形オブジェクトは文書構造に関する実質的な情報を伝達する。
多くのアプローチはベクトル表現を復元できるが、1994年に導入された1つのクローズドソース技術のみである。
複数オブジェクト追跡を用いた文書画像中の線形オブジェクトの正確なインスタンスセグメンテーションのためのフレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-26T14:22:03Z) - Fast and Accurate Object Detection on Asymmetrical Receptive Field [4.392212820170972]
本稿では,物体検出精度を受容場の変化の観点から改善する手法を提案する。
YOLOv5の頭部の構造は、非対称なプール層を付加することによって改変される。
本稿では, 従来の YOLOv5 モデルと比較し, いくつかのパラメータから解析する。
論文 参考訳(メタデータ) (2023-03-15T23:59:18Z) - Multimodal Graph Learning for Deepfake Detection [10.077496841634135]
既存のディープフェイク検出器は、堅牢性と一般化を達成する上でいくつかの課題に直面している。
本稿では,マルチモーダルグラフ学習(MGL)という新しいフレームワークを提案する。
提案手法は,ディープフェイク検出のための特徴を効果的に識別し,活用することを目的としている。
論文 参考訳(メタデータ) (2022-09-12T17:17:49Z) - Self-Calibrating Anomaly and Change Detection for Autonomous Inspection
Robots [0.07366405857677225]
視覚異常または変化検出アルゴリズムは、参照画像やデータセットとは異なる画像の領域を特定する。
本研究では,事前の未知環境における異常や変化を検出するための総合的なディープラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2022-08-26T09:52:12Z) - End-to-End Instance Edge Detection [29.650295133113183]
エッジ検出は長い間、コンピュータビジョンの分野で重要な問題であった。
従来の研究は、カテゴリ非依存またはカテゴリ対応エッジ検出を探索してきた。
本稿では,オブジェクトインスタンスのコンテキストにおけるエッジ検出について検討する。
論文 参考訳(メタデータ) (2022-04-06T15:32:21Z) - Towards Real-World Prohibited Item Detection: A Large-Scale X-ray
Benchmark [53.9819155669618]
本稿では,PIDrayと命名された大規模データセットについて述べる。
大量の努力を払って、私たちのデータセットには、高品質な注釈付きセグメンテーションマスクとバウンディングボックスを備えた47,677ドルのX線画像に、禁止アイテムの12ドルカテゴリが含まれています。
提案手法は最先端の手法に対して,特に故意に隠された項目を検出するために好適に機能する。
論文 参考訳(メタデータ) (2021-08-16T11:14:16Z) - Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
本稿では,分類に基づく比較的研究の少ない方法論について検討する。
我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。
航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
論文 参考訳(メタデータ) (2020-11-19T05:42:02Z) - AutoOD: Automated Outlier Detection via Curiosity-guided Search and
Self-imitation Learning [72.99415402575886]
外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。
本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。
さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
論文 参考訳(メタデータ) (2020-06-19T18:57:51Z)
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。