論文の概要: Siamese Network Training Using Sampled Triplets and Image Transformation

• arxiv url: http://arxiv.org/abs/2106.07015v1
• Date: Sun, 13 Jun 2021 14:47:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-15 16:32:38.364086
• Title: Siamese Network Training Using Sampled Triplets and Image Transformation
• Title（参考訳）: サンプルトリプレットと画像変換を用いたsiameseネットワークトレーニング
• Authors: Ammar N. Abbas and David Moser
• Abstract要約: この研究で使われた装置は、2つの熱カメラを使って水面上の物体を検出する。 障害物衝突を自律的に回避するには,物体をリアルタイムで追跡する必要がある。 コンピュータビジョン(CV)のための機械学習(ML)アプローチは、Pythonのハイレベルプログラミング環境として使用された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The device used in this work detects the objects over the surface of the water using two thermal cameras which aid the users to detect and avoid the objects in scenarios where the human eyes cannot (night, fog, etc.). To avoid the obstacle collision autonomously, it is required to track the objects in real-time and assign a specific identity to each object to determine its dynamics (trajectory, velocity, etc.) for making estimated collision predictions. In the following work, a Machine Learning (ML) approach for Computer Vision (CV) called Convolutional Neural Network (CNN) was used using TensorFlow as the high-level programming environment in Python. To validate the algorithm a test set was generated using an annotation tool that was created during the work for proper evaluation. Once validated, the algorithm was deployed on the platform and tested with the sequence generated by the test boat.
• Abstract（参考訳）: この装置は、水面上の物体を2台のサーマルカメラで検出し、ユーザーが人間の目(夜、霧など)が見えないシナリオで物体を検出し、回避するのに役立つ。 障害物衝突を自律的に避けるためには、オブジェクトをリアルタイムで追跡し、各オブジェクトに特定のアイデンティティを割り当て、そのダイナミクス(軌道、速度など)を決定する必要がある。 推定衝突予測をしました 次の作業では、コンピュータビジョン(CV)のための機械学習(ML)アプローチである畳み込みニューラルネットワーク(CNN)が、Pythonのハイレベルプログラミング環境としてTensorFlowを使用して使用された。 アルゴリズムを検証するために、適切な評価のために作業中に作成されたアノテーションツールを使用してテストセットが生成される。 検証後、アルゴリズムはプラットフォーム上にデプロイされ、テストボートが生成したシーケンスでテストされる。

関連論文リスト

• Accelerating Object Detection with YOLOv4 for Real-Time Applications [0.276240219662896]
  畳み込みニューラルネットワーク(CNN)は、ほとんどの問題に対して画像コンテンツとコンピュータビジョンアプローチを認識する強力なツールとして登場した。 本稿では、畳み込みニューラルネットワーク(CNN)のようなディープラーニングとオブジェクト検出フレームワークの簡単な紹介を紹介する。
  論文  参考訳（メタデータ） (2024-10-17T17:44:57Z)
• Assisting Blind People Using Object Detection with Vocal Feedback [0.0]
  提案手法は,Webカメラを用いてリアルタイム映像中の物体を検出することを提案する。 PythonのOpenCVライブラリは、ソフトウェアプログラムの実装に使用される。 画像認識結果は、Googleのテキスト音声ライブラリーを用いて、視覚障害者に可聴形式で転送される。
  論文  参考訳（メタデータ） (2023-12-18T19:28:23Z)
• SalienDet: A Saliency-based Feature Enhancement Algorithm for Object Detection for Autonomous Driving [160.57870373052577]
  未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。 我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。 オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
  論文  参考訳（メタデータ） (2023-05-11T16:19:44Z)
• Rethinking Voxelization and Classification for 3D Object Detection [68.8204255655161]
  LiDARポイントクラウドからの3Dオブジェクト検出の主な課題は、ネットワークの信頼性に影響を与えることなく、リアルタイムのパフォーマンスを実現することである。 本稿では,高速な動的ボキセラライザを実装することにより,ネットワークの推論速度と精度を同時に向上するソリューションを提案する。 さらに,予測対象を分類し,偽検出対象をフィルタリングする軽量検出サブヘッドモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-10T16:22:04Z)
• 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)
• Active Learning of Neural Collision Handler for Complex 3D Mesh Deformations [68.0524382279567]
  3次元変形メッシュにおける衝突の検出と処理を行う頑健な学習アルゴリズムを提案する。 提案手法は教師あり学習法より優れ, 精度は93.8-98.1%である。
  論文  参考訳（メタデータ） (2021-10-08T04:08:31Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Online Monitoring of Object Detection Performance During Deployment [6.166295570030645]
  入力フレームのスライディングウィンドウ上での平均平均精度(mAP)を予測し,対象検出器の性能を監視するカスケードニューラルネットワークを提案する。 我々は、自律走行データセットと物体検出装置の異なる組み合わせを用いて、提案手法の評価を行った。
  論文  参考訳（メタデータ） (2020-11-16T07:01:43Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)
• Semi-Supervised Object Detection with Sparsely Annotated Dataset [0.27719338074999533]
  畳み込みニューラルネットワークに基づく物体検出のトレーニングでは、トレーニングに有効な正の例の選択が重要な要素である。 この問題を解決するために,1)アンカーレス物体検出器,2)単一物体追跡装置を用いた半教師あり学習に基づく物体検出という2つの手法を用いた。 IoU > 0.5 の条件下で,Epic-Kitchens 2020 オブジェクト検出チャレンジのSeen セクションで第1位を獲得しながら,Unseen セクションでtextbrunner-up 性能を達成できた。
  論文  参考訳（メタデータ） (2020-06-21T02:26:48Z)

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。