論文の概要: ChangeSim: Towards End-to-End Online Scene Change Detection in Industrial Indoor Environments

• arxiv url: http://arxiv.org/abs/2103.05368v1
• Date: Tue, 9 Mar 2021 11:36:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-11 11:07:18.939318
• Title: ChangeSim: Towards End-to-End Online Scene Change Detection in Industrial Indoor Environments
• Title（参考訳）: ChangeSim: 産業用屋内環境におけるエンドツーエンドのオンラインシーン変化検出に向けて
• Authors: Jin-Man Park, Jae-Hyuk Jang, Sahng-Min Yoo, Sun-Kyung Lee, Ue-Hwan Kim, and Jong-Hwan Kim
• Abstract要約: ChangeSimは、オンラインシーン変更検出(SCD)などを目的としたデータセットです。 データは、環境非目標変動の存在下で、フォトリアリズムシミュレーション環境で収集されます。 シミュレーションによるデータ収集により、マルチモーダルセンサデータと正確な地中ラベルを得ることができる。
• 参考スコア（独自算出の注目度）: 2.6977033482480883
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We present a challenging dataset, ChangeSim, aimed at online scene change detection (SCD) and more. The data is collected in photo-realistic simulation environments with the presence of environmental non-targeted variations, such as air turbidity and light condition changes, as well as targeted object changes in industrial indoor environments. By collecting data in simulations, multi-modal sensor data and precise ground truth labels are obtainable such as the RGB image, depth image, semantic segmentation, change segmentation, camera poses, and 3D reconstructions. While the previous online SCD datasets evaluate models given well-aligned image pairs, ChangeSim also provides raw unpaired sequences that present an opportunity to develop an online SCD model in an end-to-end manner, considering both pairing and detection. Experiments show that even the latest pair-based SCD models suffer from the bottleneck of the pairing process, and it gets worse when the environment contains the non-targeted variations. Our dataset is available at http://sammica.github.io/ChangeSim/.
• Abstract（参考訳）: オンラインシーン変化検出(SCD)などを目的とした,挑戦的なデータセットであるChangeSimを提示する。 データは、大気の濁度や光条件の変化などの環境的非目標変動の存在、ならびに産業用屋内環境における対象物の変化を含む、フォトリアリズムシミュレーション環境で収集されます。 シミュレーションでデータを収集することにより、RGB画像、深度画像、セマンティックセグメンテーション、変更セグメンテーション、カメラポーズ、および3D再構成などのマルチモーダルセンサデータおよび正確な地上真実ラベルを得ることができる。 以前のオンラインSCDデータセットは、適切に整列されたイメージペアのモデルを評価する一方で、ChangeSimはペアリングと検出の両方を考慮して、オンラインSCDモデルをエンドツーエンドに開発する機会を提供する生の未ペアシーケンスも提供する。 実験により、最新のペアベースのSCDモデルでさえペアリングプロセスのボトルネックに悩まされ、環境がターゲット外のバリエーションを含むと悪化することが示された。 私たちのデータセットはhttp://sammica.github.io/ChangeSim/で入手できます。

関連論文リスト

• ZeroSCD: Zero-Shot Street Scene Change Detection [2.3020018305241337]
  Scene Change Detectionは、コンピュータビジョンとロボティクスにおいて難しいタスクである。 従来の変更検出方法は、これらのイメージペアを入力として、変更を見積もるトレーニングモデルに依存しています。 我々は,ゼロショットシーン変化検出フレームワークであるZeroSCDを提案する。
  論文  参考訳（メタデータ） (2024-09-23T17:53:44Z)
• Changen2: Multi-Temporal Remote Sensing Generative Change Foundation Model [62.337749660637755]
  安価で自動的な生成モデルに基づく変更データ生成器を提案する。 Changen2は、自己監督を通じて大規模にトレーニング可能な、生成的な変更基盤モデルである。 得られたモデルには、固有のゼロショット変化検出機能と優れた転送性がある。
  論文  参考訳（メタデータ） (2024-06-26T01:03:39Z)
• SimGen: Simulator-conditioned Driving Scene Generation [50.03358485083602]
  シミュレーション条件付きシーン生成フレームワークSimGenを紹介する。 SimGenは、シミュレータと現実世界のデータを混ぜることで、多様な運転シーンを生成することを学ぶ。 テキストプロンプトとシミュレータからのレイアウトに基づいて制御性を保ちながら、優れた生成品質と多様性を実現する。
  論文  参考訳（メタデータ） (2024-06-13T17:58:32Z)
• Sensitivity-Informed Augmentation for Robust Segmentation [21.609070498399863]
  カメラ品質の変動やレンズ歪みなどの内部ノイズはセグメンテーションモデルの性能に影響を与える可能性がある。 我々は,学習ベースセグメンテーションモデルの堅牢性を高めるために,効率的で適応性があり,勾配のない手法を提案する。
  論文  参考訳（メタデータ） (2024-06-03T15:25:45Z)
• BEHAVIOR Vision Suite: Customizable Dataset Generation via Simulation [57.40024206484446]
  我々は、コンピュータビジョンモデルの体系的評価のために、完全にカスタマイズされた合成データを生成するためのツールと資産のセットであるBEHAVIOR Vision Suite(BVS)を紹介する。 BVSはシーンレベルで多数の調整可能なパラメータをサポートする。 アプリケーションシナリオを3つ紹介する。
  論文  参考訳（メタデータ） (2024-05-15T17:57:56Z)
• Unexplored Faces of Robustness and Out-of-Distribution: Covariate Shifts in Environment and Sensor Domains [2.4572304328659595]
  本稿では,新しい分散シフトデータセットであるImageNet-ESを紹介する。 分布外検出(OOD)とモデルロバスト性の評価を行った。 以上の結果から,カメラセンサ制御による効果的なシフト緩和は,モデルサイズを増大させることなく性能を著しく向上させる可能性が示唆された。
  論文  参考訳（メタデータ） (2024-04-24T13:59:19Z)
• An Ensemble Model for Distorted Images in Real Scenarios [0.0]
  本稿では,オブジェクト検出器YOLOv7を用いてCDCOCOデータセットから歪み画像を検出する。 慎重に設計した最適化により,CDCOCOテストセット上での優れた性能を実現する。 我々のデノナイジング検出モデルは、歪んだ画像をデノナイズし、修復することができるため、様々な現実のシナリオや環境において有用である。
  論文  参考訳（メタデータ） (2023-09-26T15:12:55Z)
• Finding Differences Between Transformers and ConvNets Using Counterfactual Simulation Testing [82.67716657524251]
  本稿では,ニューラルネットワークの自然的変動に対するロバスト性を研究するための反現実的枠組みを提案する。 我々の手法は、最近リリースされた最先端の畳み込みニューラルネットワークとビジョントランスフォーマーの頑健さを公平に比較することができる。
  論文  参考訳（メタデータ） (2022-11-29T18:59:23Z)
• TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual Environments [84.6017003787244]
  本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。 既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
  論文  参考訳（メタデータ） (2022-08-16T20:46:08Z)
• Differencing based Self-supervised pretraining for Scene Change Detection [12.525959293825318]
  シーン変化検出(SCD)は、異なる時間に撮影されたシーンを比較して変化を特定する。 ディープニューラルネットワークベースのソリューションは、大量の注釈付きデータを必要とします。 本稿では,特徴差分を用いた識別表現学習のための自己教師付き事前学習(DSP)手法を提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:06:32Z)
• 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)

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。