論文の概要: Efficient Golf Ball Detection and Tracking Based on Convolutional Neural Networks and Kalman Filter

• arxiv url: http://arxiv.org/abs/2012.09393v2
• Date: Wed, 21 Apr 2021 18:06:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-02 07:28:03.014389
• Title: Efficient Golf Ball Detection and Tracking Based on Convolutional Neural Networks and Kalman Filter
• Title（参考訳）: 畳み込みニューラルネットワークとカルマンフィルタを用いたゴルフボールの効率的な検出と追跡
• Authors: Tianxiao Zhang, Xiaohan Zhang, Yiju Yang, Zongbo Wang, Guanghui Wang
• Abstract要約: 畳み込みニューラルネットワーク(CNN)に基づく物体検出とカルマンフィルタに基づく予測を用いて,効率的なリアルタイムアプローチを提案する。 検出は小さい球の検出の性能を高めるために全体のイメージの代りに小さいイメージのパッチで行われます。 検出モデルを訓練し、追跡アルゴリズムをテストするために、ゴルフボールデータセットのコレクションを作成して注釈付けする。
• 参考スコア（独自算出の注目度）: 15.899498333913975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper focuses on the problem of online golf ball detection and tracking from image sequences. An efficient real-time approach is proposed by exploiting convolutional neural networks (CNN) based object detection and a Kalman filter based prediction. Five classical deep learning-based object detection networks are implemented and evaluated for ball detection, including YOLO v3 and its tiny version, YOLO v4, Faster R-CNN, SSD, and RefineDet. The detection is performed on small image patches instead of the entire image to increase the performance of small ball detection. At the tracking stage, a discrete Kalman filter is employed to predict the location of the ball and a small image patch is cropped based on the prediction. Then, the object detector is utilized to refine the location of the ball and update the parameters of Kalman filter. In order to train the detection models and test the tracking algorithm, a collection of golf ball dataset is created and annotated. Extensive comparative experiments are performed to demonstrate the effectiveness and superior tracking performance of the proposed scheme.
• Abstract（参考訳）: 本稿では,オンラインゴルフボールの検出と画像列からの追跡の問題に焦点をあてる。 畳み込みニューラルネットワーク(CNN)に基づくオブジェクト検出とカルマンフィルタに基づく予測を利用して,効率的なリアルタイム手法を提案する。 YOLO v3とその小さなバージョンであるYOLO v4、Faster R-CNN、SSD、RefineDetなど、古典的なディープラーニングベースのオブジェクト検出ネットワークが実装され、評価されている。 小球検出の性能を向上させるため、画像全体ではなく小画像パッチで検出を行う。 追跡段階では、ボールの位置を予測するために離散カルマンフィルタを用い、予測に基づいて小さな画像パッチをトリミングする。 次に、物体検出器を用いてボールの位置を洗練し、カルマンフィルタのパラメータを更新する。 検出モデルを訓練し、追跡アルゴリズムをテストするために、ゴルフボールデータセットのコレクションを作成して注釈付けする。 提案手法の有効性と優れた追跡性能を示すため, 大規模比較実験を行った。

関連論文リスト

• Rethinking Voxelization and Classification for 3D Object Detection [68.8204255655161]
  LiDARポイントクラウドからの3Dオブジェクト検出の主な課題は、ネットワークの信頼性に影響を与えることなく、リアルタイムのパフォーマンスを実現することである。 本稿では,高速な動的ボキセラライザを実装することにより,ネットワークの推論速度と精度を同時に向上するソリューションを提案する。 さらに,予測対象を分類し,偽検出対象をフィルタリングする軽量検出サブヘッドモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-10T16:22:04Z)
• Minkowski Tracker: A Sparse Spatio-Temporal R-CNN for Joint Object Detection and Tracking [53.64390261936975]
  我々はオブジェクトの検出と追跡を共同で解決するスパース時間R-CNNであるMinkowski Trackerを提案する。 領域ベースCNN(R-CNN)に着想を得て,物体検出器R-CNNの第2段階として動きを追跡することを提案する。 大規模実験では,本手法の総合的な性能向上は4つの要因によることがわかった。
  論文  参考訳（メタデータ） (2022-08-22T04:47:40Z)
• New SAR target recognition based on YOLO and very deep multi-canonical correlation analysis [0.1503974529275767]
  本稿では,異なるCNN層から有効な特徴を適応的に融合させることにより,SAR画像ターゲット分類のためのロバストな特徴抽出手法を提案する。 MSTARデータセットの実験により,提案手法が最先端手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-10-28T18:10:26Z)
• HM-Net: A Regression Network for Object Center Detection and Tracking on Wide Area Motion Imagery [1.2249546377051437]
  我々は、ディープニューラルネットワークに基づくオブジェクト検出と追跡の複合モデル、すなわちHeat Map Network(HM-Net)を提案する。 HM-Netは、最先端のフレーム差分法やバックグラウンドサブトラクション法よりも大幅に高速である。 WPAFBデータセット上で、最先端のWAMI移動物体の検出と追跡方法より優れています。
  論文  参考訳（メタデータ） (2021-10-19T11:56:30Z)
• MFGNet: Dynamic Modality-Aware Filter Generation for RGB-T Tracking [72.65494220685525]
  可視データと熱データ間のメッセージ通信を促進するために,新しい動的モダリティ対応フィルタ生成モジュール(MFGNet)を提案する。 我々は、2つの独立ネットワークを持つ動的モダリティ対応フィルタを生成し、その可視フィルタとサーマルフィルタをそれぞれ、対応する入力特徴写像上で動的畳み込み演算を行う。 重閉塞,高速移動,外見による問題に対処するため,新たな方向認識型目標誘導型アテンション機構を活用することで,共同で局所的・グローバル検索を行うことを提案する。
  論文  参考訳（メタデータ） (2021-07-22T03:10:51Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Lightweight Convolutional Neural Network with Gaussian-based Grasping Representation for Robotic Grasping Detection [4.683939045230724]
  現在の物体検出器は、高い精度と高速な推論速度のバランスを取るのが難しい。 ロボットつかみポーズ推定を行うための効率的かつ堅牢な完全畳み込みニューラルネットワークモデルを提案する。 ネットワークは、他の優れたアルゴリズムよりも桁違いに小さい順序です。
  論文  参考訳（メタデータ） (2021-01-25T16:36:53Z)
• Dynamic Edge Weights in Graph Neural Networks for 3D Object Detection [0.0]
  本稿では,LiDARスキャンにおける物体検出のためのグラフニューラルネットワーク(GNN)における注目に基づく特徴集約手法を提案する。 GNNの各層では、ノードごとの入力特徴を対応する上位特徴にマッピングする線形変換とは別に、ノードごとの注意を隠蔽する。 KITTIデータセットを用いた実験により,本手法は3次元物体検出に匹敵する結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-09-17T12:56:17Z)
• Cooling-Shrinking Attack: Blinding the Tracker with Imperceptible Noises [87.53808756910452]
  The method is proposed to deceive-of-the-the-art SiameseRPN-based tracker。 本手法は転送性に優れ,DaSiamRPN,DaSiamRPN-UpdateNet,DiMPなどの他のトップパフォーマンストラッカーを騙すことができる。
  論文  参考訳（メタデータ） (2020-03-21T07:13:40Z)
• Depthwise Non-local Module for Fast Salient Object Detection Using a Single Thread [136.2224792151324]
  本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。 提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
  論文  参考訳（メタデータ） (2020-01-22T15:23:48Z)

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。