論文の概要: Deep Learning on Monocular Object Pose Detection and Tracking: A Comprehensive Overview

• arxiv url: http://arxiv.org/abs/2105.14291v1
• Date: Sat, 29 May 2021 12:59:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-01 17:15:38.933760
• Title: Deep Learning on Monocular Object Pose Detection and Tracking: A Comprehensive Overview
• Title（参考訳）: 単眼物体のポーズ検出と追跡に関する深層学習 -総括-
• Authors: Zhaoxin Fan, Yazhi Zhu, Yulin He, Qi Sun, Hongyan Liu and Jun He
• Abstract要約: オブジェクトのポーズ検出と追跡は、自律運転、ロボット工学、拡張現実など、多くの分野で広く応用されているため、注目を集めている。 ディープラーニングは、他のものよりも優れたパフォーマンスを示した最も有望なものです。 本稿では,ディープラーニング技術経路に属するオブジェクトのポーズ検出と追跡の最近の進歩を概観する。
• 参考スコア（独自算出の注目度）: 8.442460766094674
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object pose detection and tracking has recently attracted increasing attention due to its wide applications in many areas, such as autonomous driving, robotics, and augmented reality. Among methods for object pose detection and tracking, deep learning is the most promising one that has shown better performance than others. However, there is lack of survey study about latest development of deep learning based methods. Therefore, this paper presents a comprehensive review of recent progress in object pose detection and tracking that belongs to the deep learning technical route. To achieve a more thorough introduction, the scope of this paper is limited to methods taking monocular RGB/RGBD data as input, covering three kinds of major tasks: instance-level monocular object pose detection, category-level monocular object pose detection, and monocular object pose tracking. In our work, metrics, datasets, and methods about both detection and tracking are presented in detail. Comparative results of current state-of-the-art methods on several publicly available datasets are also presented, together with insightful observations and inspiring future research directions.
• Abstract（参考訳）: オブジェクトのポーズ検出とトラッキングは、自動運転、ロボティクス、拡張現実など、多くの分野で広く応用されているため、最近注目を集めている。 オブジェクトのポーズ検出と追跡の手法の中で、ディープラーニングは、他のものよりも優れたパフォーマンスを示す最も有望な手法である。 しかしながら、ディープラーニングベースの手法の最新開発に関する調査研究が不足している。 そこで本研究では,ディープラーニング技術経路に属するオブジェクトのポーズ検出と追跡の最近の進歩を包括的に概観する。 より詳細な導入を実現するため,本論文の範囲は,インスタンスレベルのモノクラーオブジェクトポーズ検出,カテゴリレベルのモノクラーオブジェクトポーズ検出,モノクラーオブジェクトポーズトラッキングという,3種類の主要なタスクを対象とするモノクラーRGB/RGBDデータを入力とする手法に限られている。 私たちの仕事では、メトリクス、データセット、検出と追跡の両方に関するメソッドが詳細に示されています。 いくつかの公開データセットに対する現在の最先端手法の比較結果も提示され、洞察に富んだ観察と将来の研究方向性が示唆された。

関連論文リスト

• Beyond Traditional Single Object Tracking: A Survey [0.0]
  我々は、シーケンスモデル、生成モデル、自己教師付き学習、教師なし学習、強化学習、メタラーニング、継続学習、ドメイン適応など、視覚における最先端技術を紹介します。 本稿では,新しい手法とトレンドに基づく単一物体追跡手法の新たな分類法を提案する。 提案手法の長所と短所を解析し, 単体追跡における非従来手法の指針を示す。
  論文  参考訳（メタデータ） (2024-05-16T20:55:31Z)
• Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
  ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。 また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
  論文  参考訳（メタデータ） (2024-05-13T14:44:22Z)
• Remote Sensing Object Detection Meets Deep Learning: A Meta-review of Challenges and Advances [51.70835702029498]
  本稿では,ディープラーニングに基づくRSOD手法の最近の成果を概観する。 RSODの主な課題として,マルチスケールオブジェクト検出,回転オブジェクト検出,弱いオブジェクト検出,小さなオブジェクト検出,限られた監視を伴うオブジェクト検出の5つを挙げる。 また、RSODの分野で広く使用されているベンチマークデータセットと評価指標、およびRSODのアプリケーションシナリオについてもレビューする。
  論文  参考訳（メタデータ） (2023-09-13T06:48:32Z)
• Oriented Object Detection in Optical Remote Sensing Images using Deep Learning: A Survey [10.665235711722076]
  オブジェクト指向物体検出は、リモートセンシングにおいて最も基本的で困難なタスクの1つである。 近年,ディープラーニング技術を用いたオブジェクト指向物体検出の進歩が目覚ましい。
  論文  参考訳（メタデータ） (2023-02-21T06:31:53Z)
• A Guide to Image and Video based Small Object Detection using Deep Learning : Case Study of Maritime Surveillance [38.88995659233979]
  光画像やビデオにおける小さな物体検出は難しい問題である。 最先端のジェネリックオブジェクト検出方法でさえ、そのようなオブジェクトの正確なローカライズと識別に失敗する。 本稿では,既存の文献を要約し,現在の研究の全体像を示す分類法を提案する。
  論文  参考訳（メタデータ） (2022-07-26T14:28:38Z)
• Depth Estimation Matters Most: Improving Per-Object Depth Estimation for Monocular 3D Detection and Tracking [47.59619420444781]
  検出・追跡を含む単眼的3D知覚へのアプローチは、LiDARベースの手法と比較して性能が劣ることが多い。 本稿では,オブジェクト(トラックレット)の複数のフレームに異なる表現(RGBと擬似LiDAR)と時間情報を組み合わせた多層融合手法を提案する。
  論文  参考訳（メタデータ） (2022-06-08T03:37:59Z)
• Recent Advances in Embedding Methods for Multi-Object Tracking: A Survey [71.10448142010422]
  マルチオブジェクトトラッキング(MOT)は、動画フレーム全体で対象物を関連付け、移動軌道全体を取得することを目的としている。 埋め込み法はMOTにおける物体の位置推定と時間的同一性関連において重要な役割を担っている。 まず 7 つの異なる視点からMOT への埋め込み手法の奥行き解析による包括的概要を述べる。
  論文  参考訳（メタデータ） (2022-05-22T06:54:33Z)
• Deep Learning for UAV-based Object Detection and Tracking: A Survey [25.34399619170044]
  無人航空機(UAV)は最近、コンピュータビジョン(CV)とリモートセンシング(RS)の分野でホットスポットになっている。 近年のディープラーニング(DL)の成功に触発されて、様々なUAV関連タスクに多くの高度な物体検出と追跡アプローチが適用されている。 本稿では, DLを用いたUAV物体検出・追跡手法の研究の進展と今後の展望について概説する。
  論文  参考訳（メタデータ） (2021-10-25T04:43:24Z)
• Recent Advances in Monocular 2D and 3D Human Pose Estimation: A Deep Learning Perspective [69.44384540002358]
  この問題に対処するための包括的で包括的な2D-to-3D視点を提供する。 2014年からの主流とマイルストーンのアプローチを統一フレームワークで分類しています。 また,ポーズ表現スタイル,ベンチマーク,評価指標,一般的なアプローチの定量的評価を要約した。
  論文  参考訳（メタデータ） (2021-04-23T11:07:07Z)
• Progressive Object Transfer Detection [84.48927705173494]
  本稿では,新しいプログレッシブオブジェクト転送検出(POTD)フレームワークを提案する。 第一に、POTDは様々なドメインの様々なオブジェクトを効果的にプログレッシブな検出手順に活用することができる。 第2に、POTDは2つの微妙な転送段階、すなわち、LSTD(low-Shot Transfer Detection)とWSTD(Weakly Supervised Transfer Detection)から構成される。
  論文  参考訳（メタデータ） (2020-02-12T00:16:24Z)

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。