論文の概要: DeepTag: A General Framework for Fiducial Marker Design and Detection
- arxiv url: http://arxiv.org/abs/2105.13731v1
- Date: Fri, 28 May 2021 10:54:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-31 18:28:23.548462
- Title: DeepTag: A General Framework for Fiducial Marker Design and Detection
- Title（参考訳）: deeptag:fiducial marker設計と検出のための汎用フレームワーク
- Authors: Zhuming Zhang, Yongtao Hu, Guoxing Yu, Jingwen Dai
- Abstract要約: フィデューシャルマーカーの設計と検出のための一般的なディープラーニングベースのフレームワークであるDeepTagを提案する。
DeepTagは、さまざまなマーカーファミリの検出をサポートし、カスタマイズされたローカルパターンで新しいマーカーファミリを設計できるようにする。
実験によると、DeepTagはさまざまなマーカーファミリをうまくサポートしており、検出の堅牢性と精度の両方の観点から既存の手法よりも大幅に優れています。
- 参考スコア（独自算出の注目度）: 1.2180122937388957
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A fiducial marker system usually consists of markers, a detection algorithm,
and a coding system. The appearance of markers and the detection robustness are
generally limited by the existing detection algorithms, which are hand-crafted
with traditional low-level image processing techniques. Furthermore, a
sophisticatedly designed coding system is required to overcome the shortcomings
of both markers and detection algorithms. To improve the flexibility and
robustness in various applications, we propose a general deep learning based
framework, DeepTag, for fiducial marker design and detection. DeepTag not only
supports detection of a wide variety of existing marker families, but also
makes it possible to design new marker families with customized local patterns.
Moreover, we propose an effective procedure to synthesize training data on the
fly without manual annotations. Thus, DeepTag can easily adapt to existing and
newly-designed marker families. To validate DeepTag and existing methods,
beside existing datasets, we further collect a new large and challenging
dataset where markers are placed in different view distances and angles.
Experiments show that DeepTag well supports different marker families and
greatly outperforms the existing methods in terms of both detection robustness
and pose accuracy. Both code and dataset are available at
\url{https://herohuyongtao.github.io/research/publications/deep-tag/}.
- Abstract（参考訳）: fiducial markerシステムは通常、マーカー、検出アルゴリズム、および符号化システムで構成される。
マーカーの出現と検出ロバスト性は、従来の低レベル画像処理技術で手作りされた既存の検出アルゴリズムによって一般的に制限される。
さらに,マーカーと検出アルゴリズムの欠点を克服するために,高度に設計された符号化システムが必要となる。
各種アプリケーションにおける柔軟性と堅牢性を向上させるため,フィデューシャルマーカーの設計と検出のための一般的なディープラーニングベースのフレームワークであるDeepTagを提案する。
deeptagは、さまざまな既存のマーカーファミリの検出をサポートするだけでなく、カスタマイズされたローカルパターンによる新しいマーカーファミリの設計も可能にする。
また,手動のアノテーションを使わずにハエのトレーニングデータを効率的に合成する手法を提案する。
このように、DeepTagは既存のおよび新しく設計されたマーカーファミリーに容易に適応できる。
DeepTagと既存の手法を検証するために、既存のデータセットに加えて、マーカーを異なるビュー距離と角度に配置する、より大きくて困難なデータセットも収集する。
実験により、deeptagは異なるマーカーファミリーをサポートしており、検出ロバスト性とポーズ精度の両面で既存の方法を大きく上回っていることが示されている。
コードとデータセットはいずれも \url{https://herohuyongtao.github.io/research/publications/deep-tag/} で利用可能である。
関連論文リスト
- New Efficient Visual OILU Markers [0.5120567378386615]
我々は、新しい効率的な視覚マーカーを開発するために基本的なパターンを利用する。
提案したマーカーは、ユニークな識別子の豊富なパネルを生成することができる。
取得および幾何学的歪みに対するマーカーの堅牢性を検証する。
論文 参考訳（メタデータ） (2024-04-12T13:55:05Z) - Token-Specific Watermarking with Enhanced Detectability and Semantic Coherence for Large Language Models [31.062753031312006]
大規模言語モデルは、潜在的な誤報を伴う高品質な応答を生成する。
ウォーターマーキングは、テキストに隠れたマーカーを埋め込むことによって、この文脈において重要な意味を持つ。
ウォーターマーキングのための新しい多目的最適化(MOO)手法を提案する。
本手法は,検出性と意味的整合性を同時に達成する。
論文 参考訳（メタデータ） (2024-02-28T05:43:22Z) - An Unforgeable Publicly Verifiable Watermark for Large Language Models [84.2805275589553]
現在の透かし検出アルゴリズムは、透かし生成プロセスで使用される秘密鍵を必要としており、公開検出中にセキュリティ違反や偽造の影響を受ける。
両段階で同じキーを使用するのではなく、2つの異なるニューラルネットワークを用いて透かしの生成と検出を行う。
論文 参考訳（メタデータ） (2023-07-30T13:43:27Z) - The Treasure Beneath Multiple Annotations: An Uncertainty-aware Edge
Detector [70.43599299422813]
既存のメソッドは、単純な投票プロセスを使用して複数のアノテーションを融合し、エッジ固有の曖昧さを無視し、アノテータのラベル付けバイアスを無視する。
多様なアノテーションの主観性とあいまいさを調査するために不確実性を利用した新しい不確実性認識エッジ検出器(UAED)を提案する。
UAEDは複数のエッジ検出ベンチマークで一貫したパフォーマンスを実現している。
論文 参考訳（メタデータ） (2023-03-21T13:14:36Z) - DeepFormableTag: End-to-end Generation and Recognition of Deformable
Fiducial Markers [27.135078472097895]
既存の検出方法は、マーカーが理想的に平面面に印刷されていると仮定する。
フィデューシャルマーカー生成器は、大規模な情報を符号化する自由形式のカラーパターンのセットを作成する。
微分可能画像シミュレータは、変形マーカーを用いたフォトリアリスティックシーン画像のトレーニングデータセットを作成する。
訓練されたマーカー検出器は興味のある領域を探し、同時に複数のマーカーパターンを認識する。
論文 参考訳（メタデータ） (2022-06-16T09:29:26Z) - Application of Ghost-DeblurGAN to Fiducial Marker Detection [1.1470070927586016]
本稿では,Ghost-DeGAN という,リアルタイムな動きを損なうための軽量な生成対向ネットワークを開発した。
新しい大規模データセットである YorkTag が提案されている。
提案したモデルが YorkTag でトレーニング・テストされたことにより,動画像にフィデューシャルマーカーシステムと併用することにより,Ghost-DeblurGAN がマーカー検出を大幅に改善することが実証された。
論文 参考訳（メタデータ） (2021-09-08T00:59:10Z) - SOLD2: Self-supervised Occlusion-aware Line Description and Detection [95.8719432775724]
単一深層ネットワークにおける回線セグメントの最初の共同検出と記述について紹介します。
我々の手法は注釈付き行ラベルを必要としないため、任意のデータセットに一般化することができる。
複数のマルチビューデータセットにおいて,従来の行検出と記述方法に対するアプローチを評価した。
論文 参考訳（メタデータ） (2021-04-07T19:27:17Z) - Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
本稿では,分類に基づく比較的研究の少ない方法論について検討する。
我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。
航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
論文 参考訳（メタデータ） (2020-11-19T05:42:02Z) - Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。
我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。
実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
論文 参考訳（メタデータ） (2020-03-23T10:51:32Z) - Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。
そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。
我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
論文 参考訳（メタデータ） (2020-03-17T12:59:50Z)
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。