論文の概要: CamTuner: Reinforcement-Learning based System for Camera Parameter
Tuning to enhance Analytics
- arxiv url: http://arxiv.org/abs/2107.03964v1
- Date: Thu, 8 Jul 2021 16:43:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-09 13:44:54.536153
- Title: CamTuner: Reinforcement-Learning based System for Camera Parameter
Tuning to enhance Analytics
- Title(参考訳): camtuner: カメラパラメータチューニングのための強化学習型システム
- Authors: Sibendu Paul, Kunal Rao, Giuseppe Coviello, Murugan Sankaradas, Oliver
Po, Y. Charlie Hu, Srimat T. Chakradhar
- Abstract要約: CamTunerは複雑なセンサーを環境に自動的に適応させるシステムだ。
我々の動的チューニング手法は、複数のビデオ分析タスクからの洞察の精度を最大12%向上させる。
- 参考スコア(独自算出の注目度): 2.637265703777453
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Complex sensors like video cameras include tens of configurable parameters,
which can be set by end-users to customize the sensors to specific application
scenarios. Although parameter settings significantly affect the quality of the
sensor output and the accuracy of insights derived from sensor data, most
end-users use a fixed parameter setting because they lack the skill or
understanding to appropriately configure these parameters. We propose CamTuner,
which is a system to automatically, and dynamically adapt the complex sensor to
changing environments. CamTuner includes two key components. First, a bespoke
analytics quality estimator, which is a deep-learning model to automatically
and continuously estimate the quality of insights from an analytics unit as the
environment around a sensor change. Second, a reinforcement learning (RL)
module, which reacts to the changes in quality, and automatically adjusts the
camera parameters to enhance the accuracy of insights. We improve the training
time of the RL module by an order of magnitude by designing virtual models to
mimic essential behavior of the camera: we design virtual knobs that can be set
to different values to mimic the effects of assigning different values to the
camera's configurable parameters, and we design a virtual camera model that
mimics the output from a video camera at different times of the day. These
virtual models significantly accelerate training because (a) frame rates from a
real camera are limited to 25-30 fps while the virtual models enable processing
at 300 fps, (b) we do not have to wait until the real camera sees different
environments, which could take weeks or months, and (c) virtual knobs can be
updated instantly, while it can take 200-500 ms to change the camera parameter
settings. Our dynamic tuning approach results in up to 12% improvement in the
accuracy of insights from several video analytics tasks.
- Abstract(参考訳): ビデオカメラのような複雑なセンサーには、さまざまな設定可能なパラメータが含まれており、エンドユーザーが特定のアプリケーションシナリオに合わせてセンサーをカスタマイズできる。
パラメータ設定はセンサ出力の品質やセンサデータから得られる洞察の精度に大きく影響するが、ほとんどのエンドユーザは、これらのパラメータを適切に設定するためのスキルや理解が欠けているため、固定されたパラメータ設定を使用する。
本研究では,複雑なセンサを自動的に,動的に環境に適応させるシステムであるcamtunerを提案する。
camtunerには2つの重要なコンポーネントがある。
まず、bespoke analytics quality estimator(bespoke analytics quality estimator)は、センサの変化を取り巻く環境として、分析ユニットから洞察の質を自動的かつ継続的に見積もるディープラーニングモデルである。
第二に、品質の変化に反応し、カメラパラメータを自動的に調整して洞察の精度を高める強化学習(rl)モジュールである。
カメラの本質的な動作を模倣する仮想モデルを設計することにより、rlモジュールのトレーニング時間を1桁改善する: カメラの構成可能なパラメータに異なる値を割り当てる効果を模倣するために異なる値に設定可能な仮想ノブを設計、そして、映像カメラからの出力を1日の異なるタイミングで模倣する仮想カメラモデルを設計する。
これらの仮想モデルは、(a)実際のカメラからのフレームレートが25-30fpsに制限されているのに対して、仮想モデルは300fpsで処理できるのに対し、(b)実際のカメラが数週間または数ヶ月で異なる環境を見るのを待つ必要がなく、(c)カメラパラメータ設定を変更するのに200-500msを要する仮想ノブを即座に更新できるため、トレーニングを著しく加速する。
我々の動的チューニング手法は、複数のビデオ分析タスクからの洞察の精度を最大12%向上させる。
関連論文リスト
- CamP: Camera Preconditioning for Neural Radiance Fields [56.46526219931002]
NeRFは、オブジェクトと大規模シーンの高忠実度3Dシーン再構成を得るために最適化することができる。
外部および固有のカメラパラメータは通常、NeRFの前処理ステップとしてStructure-from-Motion (SfM)法を用いて推定される。
本稿では,カメラパラメータ間の相関をなくし,その効果を正規化するホワイトニング変換を代用問題として提案する。
論文 参考訳(メタデータ) (2023-08-21T17:59:54Z) - Learning IMM Filter Parameters from Measurements using Gradient Descent [45.335821132209766]
トラック下のターゲットの固有のパラメータは、システムがデプロイされるまで完全に観測不可能である。
最先端のセンサーシステムはますます複雑になり、パラメータの数が自然に増加する。
本稿では,対話型多重モデル (IMM) フィルタのパラメータを計測のみで最適化する。
論文 参考訳(メタデータ) (2023-07-13T08:35:40Z) - NeRFtrinsic Four: An End-To-End Trainable NeRF Jointly Optimizing
Diverse Intrinsic and Extrinsic Camera Parameters [7.165373389474194]
ニューラル放射場(NeRF)を用いた新しいビュー合成は、新しい視点から高品質な画像を生成する最先端技術である。
カメラパラメータとNeRFの結合最適化に関する最近の研究は、ノイズ外在カメラパラメータの精製に重点を置いている。
我々はこれらの制限に対処するために、NeRFtrinsic Fourと呼ばれる新しいエンドツーエンドトレーニング可能なアプローチを提案する。
論文 参考訳(メタデータ) (2023-03-16T15:44:31Z) - Toward Global Sensing Quality Maximization: A Configuration Optimization
Scheme for Camera Networks [15.795407587722924]
パラメータ化カメラネットワークモデルの再構成戦略について検討する。
我々は、カメラネットワークによる目標のセンシング品質を測定する単一の量を形成する。
広範囲なシミュレーションと実験により,本手法の有効性を検証した。
論文 参考訳(メタデータ) (2022-11-28T09:21:47Z) - APT: Adaptive Perceptual quality based camera Tuning using reinforcement
learning [2.0741583844039915]
画質の悪いビデオのキャプチャは、分析の精度に悪影響を及ぼす。
本稿では,高品質なビデオキャプチャを実現するために,カメラパラメータを調整した新しい強化学習システムを提案する。
その結果、環境条件やシーン内容が変化したときの洞察の精度を復元する。
論文 参考訳(メタデータ) (2022-11-15T21:02:48Z) - Extrinsic Camera Calibration with Semantic Segmentation [60.330549990863624]
本稿では,セグメンテーション情報を利用してパラメータ推定を自動化する,外部カメラキャリブレーション手法を提案する。
われわれのアプローチは、カメラのポーズの粗い初期測定と、車両に搭載されたライダーセンサーによる構築に依存している。
シミュレーションおよび実世界のデータを用いて,キャリブレーション結果の低誤差測定を行う。
論文 参考訳(メタデータ) (2022-08-08T07:25:03Z) - Enhanced Frame and Event-Based Simulator and Event-Based Video
Interpolation Network [1.4095425725284465]
固定オフセットに任意の数のセンサを配置したカメラリグによって記録されたリアルなシーンを生成できる,新しい高度なイベントシミュレータを提案する。
これには、現実的な画質低下効果を持つフレームベースの新しいイメージセンサモデルと、より正確な特性を持つ拡張DVSモデルが含まれる。
我々のシミュレータによって生成されたデータは、我々の新しいモデルをトレーニングするために利用でき、その結果、アートの状況よりも同等またはより良い品質の公開データセット上の再構成画像が生成される。
論文 参考訳(メタデータ) (2021-12-17T08:27:13Z) - An automatic differentiation system for the age of differential privacy [65.35244647521989]
Tritiumは、微分プライベート(DP)機械学習(ML)のための自動微分ベース感度分析フレームワークである
我々は、微分プライベート(DP)機械学習(ML)のための自動微分に基づく感度分析フレームワークTritiumを紹介する。
論文 参考訳(メタデータ) (2021-09-22T08:07:42Z) - FLEX: Parameter-free Multi-view 3D Human Motion Reconstruction [70.09086274139504]
マルチビューアルゴリズムはカメラパラメータ、特にカメラ間の相対的な位置に強く依存します。
エンドツーエンドのパラメータフリーマルチビューモデルであるFLEXを紹介します。
Human3.6MおよびKTH Multi-view Football IIデータセットの結果を実証する。
論文 参考訳(メタデータ) (2021-05-05T09:08:12Z) - Infrastructure-based Multi-Camera Calibration using Radial Projections [117.22654577367246]
パターンベースのキャリブレーション技術は、カメラの内在を個別にキャリブレーションするために使用することができる。
Infrastucture-based calibration techniqueはSLAMやStructure-from-Motionで事前に構築した3Dマップを用いて外部情報を推定することができる。
本稿では,インフラストラクチャベースのアプローチを用いて,マルチカメラシステムをスクラッチから完全にキャリブレーションすることを提案する。
論文 参考訳(メタデータ) (2020-07-30T09:21:04Z) - Redesigning SLAM for Arbitrary Multi-Camera Systems [51.81798192085111]
SLAMシステムにより多くのカメラを追加することで、堅牢性と精度が向上するが、視覚的なフロントエンドの設計は大幅に複雑になる。
本研究では,任意のマルチカメラ装置で動作する適応SLAMシステムを提案する。
これらの修正を応用した最先端の視覚慣性計測装置を試作し, 改良したパイプラインが広い範囲のカメラ装置に適応可能であることを示す実験結果を得た。
論文 参考訳(メタデータ) (2020-03-04T11:44:42Z)
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。