論文の概要: Lunar Crater Identification in Digital Images
- arxiv url: http://arxiv.org/abs/2009.01228v2
- Date: Mon, 14 Sep 2020 16:25:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-22 19:27:32.990046
- Title: Lunar Crater Identification in Digital Images
- Title（参考訳）: デジタル画像における月のクレーター識別
- Authors: John A. Christian, Harm Derksen, and Ryan Watkins
- Abstract要約: しばしば、月面の単一の画像で観測されたクレーターのパターンを特定する必要がある。
このいわゆる「ロスト・イン・スペース」クレーターの識別問題は、クレーターベースの相対航法(TRN)と科学画像の自動登録の両方で一般的である。
この研究は、一般的なクレーター同定問題の数学的に厳密な扱いを初めて提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: It is often necessary to identify a pattern of observed craters in a single
image of the lunar surface and without any prior knowledge of the camera's
location. This so-called "lost-in-space" crater identification problem is
common in both crater-based terrain relative navigation (TRN) and in automatic
registration of scientific imagery. Past work on crater identification has
largely been based on heuristic schemes, with poor performance outside of a
narrowly defined operating regime (e.g., nadir pointing images, small search
areas). This work provides the first mathematically rigorous treatment of the
general crater identification problem. It is shown when it is (and when it is
not) possible to recognize a pattern of elliptical crater rims in an image
formed by perspective projection. For the cases when it is possible to
recognize a pattern, descriptors are developed using invariant theory that
provably capture all of the viewpoint invariant information. These descriptors
may be pre-computed for known crater patterns and placed in a searchable index
for fast recognition. New techniques are also developed for computing pose from
crater rim observations and for evaluating crater rim correspondences. These
techniques are demonstrated on both synthetic and real images.
- Abstract（参考訳）: しばしば、観測されたクレーターのパターンを月面の1つの画像で特定し、カメラの位置を事前に知ることなく識別する必要がある。
このいわゆる"ロス・イン・スペース"クレーター識別問題は、クレーターベースの地形相対航法(trn)と科学画像の自動登録の両方において一般的である。
クレーターの識別に関する過去の研究は、主にヒューリスティックなスキームに基づいており、狭い範囲の運用体制(例えば、ナディルポインティング画像、小さな探索領域)以外では性能が低かった。
この研究は、一般クレーター識別問題の最初の数学的に厳密な処理を提供する。
遠近投影によって形成される画像において、楕円クレーターリムのパターンを認識できるとき(かつ、そうでないとき)に示される。
パターンを認識することが可能な場合については、すべての視点不変情報を確実にキャプチャする不変理論を用いて記述子を開発する。
これらのディスクリプタは既知のクレーターパターンに対して事前に計算され、高速認識のための検索可能なインデックスに置かれる。
また、クレーターリム観測からのポーズを計算し、クレーターリム対応を評価するための新しい技術も開発されている。
これらの技術は、合成画像と実画像の両方で実証される。
関連論文リスト
- Deep learning universal crater detection using Segment Anything Model
(SAM) [6.729108277517129]
クレーターは惑星探査において最も重要な形態学的特徴の一つである。
機械学習(ML)とコンピュータビジョンはクレーターの検出とそのサイズ推定の両方に成功している。
本稿では,META AIから最近提案されたSegment Anything Model(SAM)に基づく,普遍的なクレーター検出手法を提案する。
論文 参考訳（メタデータ） (2023-04-16T12:36:37Z) - Unsupervised crack detection on complex stone masonry surfaces [0.0]
本稿では,石造石垣のき裂検出手法について述べる。
提案手法では, RGB (Red Green Blue) 画像パッチの非教師付き異常検出問題として, き裂検出にアプローチする。
論文 参考訳（メタデータ） (2023-03-31T12:07:23Z) - Automatic Crater Shape Retrieval using Unsupervised and Semi-Supervised
Systems [9.088303226909277]
本稿では,教師なし非深層学習と半教師付き深層学習の組み合わせを提案する。
教師なしの非深度学習では,クレーターの形状を抽出する適応的なリム抽出アルゴリズムが提案されている。
抽出されたクレーターの形状は、半教師付き深層学習において、位置、大きさ、精製された形状を取得するために使用される。
論文 参考訳（メタデータ） (2022-11-03T16:16:29Z) - SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。
SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文 参考訳（メタデータ） (2021-11-26T13:47:34Z) - Detect and Locate: A Face Anti-Manipulation Approach with Semantic and
Noise-level Supervision [67.73180660609844]
本稿では,画像中の偽造顔を効率的に検出する,概念的にシンプルだが効果的な方法を提案する。
提案手法は,画像に関する意味の高い意味情報を提供するセグメンテーションマップに依存する。
提案モデルでは,最先端検出精度と顕著なローカライゼーション性能を実現する。
論文 参考訳（メタデータ） (2021-07-13T02:59:31Z) - Detection of Deepfake Videos Using Long Distance Attention [73.6659488380372]
既存のほとんどの検出方法は、問題をバニラ二項分類問題として扱う。
本稿では,偽顔と実顔の相違が非常に微妙であるため,特にきめ細かな分類問題として扱われる。
大域的な視点で空間的・時間的偽の痕跡を捉えるための2つの要素を持つ時空間モデルを提案する。
論文 参考訳（メタデータ） (2021-06-24T08:33:32Z) - CAMERAS: Enhanced Resolution And Sanity preserving Class Activation
Mapping for image saliency [61.40511574314069]
バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。
CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
論文 参考訳（メタデータ） (2021-06-20T08:20:56Z) - Noise Doesn't Lie: Towards Universal Detection of Deep Inpainting [42.189768203036394]
本研究は, ディープ・インパインティングの普遍的検出に向けた最初の試みであり, 検出ネットワークの一般化を図っている。
提案手法は,既存の検出手法を大きなマージンで上回り,未確認の深層塗膜技術に最適化する。
論文 参考訳（メタデータ） (2021-06-03T01:29:29Z) - Single View Geocentric Pose in the Wild [18.08385304935249]
本論文では,空中ライダー画像を用いたジオセントリックポーズの回帰学習モデルを提案する。
また,本手法を現実のアプリケーションに導入する上で,現実的な課題にも対処する。
論文 参考訳（メタデータ） (2021-05-18T01:55:15Z) - CutPaste: Self-Supervised Learning for Anomaly Detection and
Localization [59.719925639875036]
通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。
まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。
MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
論文 参考訳（メタデータ） (2021-04-08T19:04:55Z) - Deep Structured Prediction for Facial Landmark Detection [59.60946775628646]
本稿では,深層畳み込みネットワークと条件付きランダムフィールドを組み合わせた深層構造顔のランドマーク検出手法を提案する。
顔のランドマーク検出における最先端技術よりも優れた性能を示す。
論文 参考訳（メタデータ） (2020-10-18T17:09:24Z)
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。