Fugu-MT 論文翻訳(概要): Rock Hunting With Martian Machine Vision

論文の概要: Rock Hunting With Martian Machine Vision

arxiv url: http://arxiv.org/abs/2104.04359v1
Date: Fri, 9 Apr 2021 13:44:27 GMT
ステータス: 処理完了
システム内更新日: 2021-04-12 16:49:54.348434
Title: Rock Hunting With Martian Machine Vision
Title（参考訳）: 火星のマシンビジョンでロックハンティング
Authors: David Noever, Samantha E. Miller Noever
Abstract要約: 火星の岩石の分類と検出のための深層学習手法を検討する。 2値分類(rock vs. rover)の精度は97%以上である。フレームレートが速い(毎秒1フレーム)が精度は低い低出力岩狩機(37%)を実演する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: The Mars Perseverance rover applies computer vision for navigation and hazard avoidance. The challenge to do onboard object recognition highlights the need for low-power, customized training, often including low-contrast backgrounds. We investigate deep learning methods for the classification and detection of Martian rocks. We report greater than 97% accuracy for binary classifications (rock vs. rover). We fine-tune a detector to render geo-located bounding boxes while counting rocks. For these models to run on microcontrollers, we shrink and quantize the neural networks' weights and demonstrate a low-power rock hunter with faster frame rates (1 frame per second) but lower accuracy (37%).
Abstract（参考訳）: Mars Perseveranceローバーは、ナビゲーションとハザード回避にコンピュータビジョンを適用している。オンボードオブジェクト認識の課題は、低消費電力でカスタマイズされたトレーニングの必要性を強調している。火星岩石の分類と検出のための深層学習法について検討した。 2値分類(rock vs. rover)の精度は97%以上である。我々は、岩を数えながら位置決めされた境界箱をレンダリングする検出器を微調整する。これらのモデルがマイクロコントローラ上で動作するために、ニューラルネットワークの重みを縮小して定量化し、より高速なフレームレート(1フレーム/秒)で精度が低いロックハンター(37%)を示す。

関連論文リスト

MARs: Multi-view Attention Regularizations for Patch-based Feature Recognition of Space Terrain [4.87717454493713]
現在のアプローチは、事前収集されたパッチベースの機能とテンプレートマッチングに依存している。マルチビューアテンション・レギュラライゼーション(MAR)を導入し,複数の特徴ビューにまたがるチャネルと空間的注意を制約する。地形特徴認識性能は85%以上向上した。
論文参考訳（メタデータ） (2024-10-07T16:41:45Z)
LEROjD: Lidar Extended Radar-Only Object Detection [0.22870279047711525]
3+1Dイメージングレーダーセンサーは、ライダーに代わるコスト効率が高く、堅牢な代替手段を提供する。ライダーは推論中に使用するべきではないが、レーダーのみの物体検出器の訓練を支援することができる。我々は、ライダーからレーダードメインとレーダー専用物体検出器に知識を伝達する2つの戦略を探求する。
論文参考訳（メタデータ） (2024-09-09T12:43:25Z)
Shelf-Supervised Cross-Modal Pre-Training for 3D Object Detection [52.66283064389691]
最先端の3Dオブジェクト検出器は、しばしば大量のラベル付きデータセットで訓練される。近年の研究では、ラベル付きデータによる自己教師付き事前学習が、ラベル付きラベルによる検出精度を向上させることが示されている。組合わせRGBとLiDARデータからゼロショット3Dバウンディングボックスを生成するためのシェルフ制御手法を提案する。
論文参考訳（メタデータ） (2024-06-14T15:21:57Z)
Sparse Points to Dense Clouds: Enhancing 3D Detection with Limited LiDAR Data [68.18735997052265]
単分子と点雲に基づく3次元検出の利点を組み合わせたバランスの取れたアプローチを提案する。本手法では,低コストで低解像度のセンサから得られる3Dポイントを少数必要としている。 3次元検出の精度は最先端の単分子検出法と比較して20%向上する。
論文参考訳（メタデータ） (2024-04-10T03:54:53Z)
Automatic characterization of boulders on planetary surfaces from high-resolution satellite images [4.817284512836187]
岩は様々な地質学的プロセスから形成され、その大きさ、形状、配向がより深く理解するのに役立ちます。我々は、高解像度衛星画像におけるボルダーの検出とアウトライン化のために、インスタンスセグメンテーションニューラルネットワークであるMask R-CNNを使用している。私たちのニューラルネットワークであるBoulderNetは、地球、月、火星の750枚の画像タイルに33,000個のボールダーのデータセットからトレーニングされました。
論文参考訳（メタデータ） (2024-01-15T08:14:23Z)
Mixed-domain Training Improves Multi-Mission Terrain Segmentation [0.9566312408744931]
現在の火星の地形区分モデルは、異なる領域にまたがる配置のために再訓練を必要とする。本研究では,火星表面のマルチミッションセマンティックセマンティックセグメンテーションのために,バックボーンの教師なしコントラスト事前学習を利用する半教師付き学習手法を提案する。
論文参考訳（メタデータ） (2022-09-27T20:25:24Z)
Crack detection using tap-testing and machine learning techniques to prevent potential rockfall incidents [68.8204255655161]
本稿では,岩盤の自動探傷システムを提案する。ロボットは、岩面を何度も打ったり、タップしたりするのに使用される。音はロボットによって収集され、壊れやすい岩を識別する意図で分類される。
論文参考訳（メタデータ） (2021-10-10T22:53:36Z)
Towards Robust Monocular Visual Odometry for Flying Robots on Planetary Missions [49.79068659889639]
火星に着陸したばかりのIngenuityは、トラバーサビリティの影響を受けない新時代の探検の始まりとなるでしょう。高速な光フロートラッキングを用いた高能率単分子オードメトリーアルゴリズムを提案する。また、相対翻訳情報行列の主成分分析に基づいて、スケールドリフトの現在のリスクを推定する新しい手法を提案する。
論文参考訳（メタデータ） (2021-09-12T12:52:20Z)
Dogfight: Detecting Drones from Drones Videos [58.158988162743825]
本稿では,他の飛行ドローンからドローンを検知する問題に対処する。ソースとターゲットドローンのエロティックな動き、小型、任意の形状、大きな強度、および閉塞は、この問題を非常に困難にします。これに対処するため,地域提案に基づく手法ではなく,2段階のセグメンテーションに基づく手法を提案する。
論文参考訳（メタデータ） (2021-03-31T17:43:31Z)
Drone-based RGB-Infrared Cross-Modality Vehicle Detection via Uncertainty-Aware Learning [59.19469551774703]
ドローンによる車両検出は、空中画像中の車両の位置とカテゴリーを見つけることを目的としている。我々はDroneVehicleと呼ばれる大規模ドローンベースのRGB赤外線車両検出データセットを構築した。私たちのDroneVehicleは28,439RGBの赤外線画像を収集し、都市道路、住宅地、駐車場、その他のシナリオを昼から夜までカバーしています。
論文参考訳（メタデータ） (2020-03-05T05:29:44Z)

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。