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
- ChangeNet: Multi-Temporal Asymmetric Change Detection Dataset [22.08517018683502]
ChangeNetは31,000のマルチタイムイメージペア、100都市からの幅広い複雑なシーン、および6ピクセルレベルのカテゴリで構成されている。
ChangeNetデータセットはバイナリ変更検出(BCD)とセマンティック変更検出(SCD)の両方に適している。
論文 参考訳(メタデータ) (2023-12-29T01:42:20Z) - ConstScene: Dataset and Model for Advancing Robust Semantic Segmentation
in Construction Environments [1.4070907500169874]
本稿では,建設現場に適したセマンティックセグメンテーションデータセットを提案する。
このデータセットは、オブジェクト検出モデルのトレーニングと評価を強化するように設計されている。
論文 参考訳(メタデータ) (2023-12-27T10:49:19Z) - 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) - The Drunkard's Odometry: Estimating Camera Motion in Deforming Scenes [79.00228778543553]
このデータセットは、3Dシーンの中で地上の真実を語る最初の大規模なカメラ軌道である。
リアルな3Dビルディングのシミュレーションでは、膨大な量のデータと地上の真実のラベルが得られます。
本稿では,光学的フロー推定を剛体カメラ運動に分解するDrunkard's Odometryと呼ばれる,変形可能な新しいオドメトリー法を提案する。
論文 参考訳(メタデータ) (2023-06-29T13:09:31Z) - 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) - The Change You Want to See [91.3755431537592]
同じシーンの2つのイメージが与えられた場合、その変更を自動的に検出できることは、様々な領域で実用的応用をもたらす。
画像対の「オブジェクトレベル」変化を、視点や照明の違いにかかわらず検出することを目的として、変化検出問題に取り組む。
論文 参考訳(メタデータ) (2022-09-28T18:10:09Z) - 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) - Multitask AET with Orthogonal Tangent Regularity for Dark Object
Detection [84.52197307286681]
暗黒環境下でのオブジェクト検出を強化するために,新しいマルチタスク自動符号化変換(MAET)モデルを提案する。
自己超越的な方法で、MAETは、現実的な照明劣化変換を符号化して復号することで、本質的な視覚構造を学習する。
我々は,合成および実世界のデータセットを用いて最先端のパフォーマンスを達成した。
論文 参考訳(メタデータ) (2022-05-06T16:27:14Z) - Unseen Object Instance Segmentation with Fully Test-time RGB-D
Embeddings Adaptation [14.258456366985444]
最近では、大規模な合成データのRGB-D機能を活用し、実世界のシナリオにモデルを適用するのが一般的である。
本稿では,Sim2Realドメイン間の適応プロセスを再強調する。
本稿では,BatchNorm層のパラメータに基づいて,完全テスト時間RGB-D埋め込み適応(FTEA)を行うフレームワークを提案する。
論文 参考訳(メタデータ) (2022-04-21T02:35:20Z) - 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。