論文の概要: Event-Based Feature Tracking in Continuous Time with Sliding Window Optimization

• arxiv url: http://arxiv.org/abs/2107.04536v1
• Date: Fri, 9 Jul 2021 16:41:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-12 13:45:51.847099
• Title: Event-Based Feature Tracking in Continuous Time with Sliding Window Optimization
• Title（参考訳）: スライディングウィンドウ最適化による連続時間におけるイベントベース特徴追跡
• Authors: Jason Chui, Simon Klenk, Daniel Cremers
• Abstract要約: イベントカメラにおける連続時間特徴追跡のための新しい手法を提案する。 時空における推定軌道に沿って事象を整列させることによって特徴を追跡する。 提案するスライディングウインドウB-スプライン最適化が,より長く,より正確な特徴トラックにつながることを実験的に確認した。
• 参考スコア（独自算出の注目度）: 55.11913183006984
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose a novel method for continuous-time feature tracking in event cameras. To this end, we track features by aligning events along an estimated trajectory in space-time such that the projection on the image plane results in maximally sharp event patch images. The trajectory is parameterized by $n^{th}$ order B-splines, which are continuous up to $(n-2)^{th}$ derivative. In contrast to previous work, we optimize the curve parameters in a sliding window fashion. On a public dataset we experimentally confirm that the proposed sliding-window B-spline optimization leads to longer and more accurate feature tracks than in previous work.
• Abstract（参考訳）: イベントカメラにおける連続時間特徴追跡のための新しい手法を提案する。 この目的のために,画像平面上の投影によって最大にシャープなイベントパッチ画像が得られるように,推定軌道に沿ったイベントを時空に調整して特徴を追跡する。 軌道は$n^{th}$次 B-スプラインによってパラメータ化され、これは$(n-2)^{th}$微分まで連続である。 従来の作業とは対照的に,スライディングウィンドウ方式で曲線パラメータを最適化する。 パブリックデータセットでは,提案したスライドウインドウB-スプライン最適化が,従来よりも長い,より正確な特徴トラックにつながることを実験的に確認した。

関連論文リスト

• Event-ECC: Asynchronous Tracking of Events with Continuous Optimization [1.9446776999250501]
  イベントECC (eECC) という,イベントごとの2次元運動ワープを計算するトラッキングアルゴリズムを提案する。 イベント処理の計算負担は、インクリメンタル処理と更新スキームの恩恵を受ける軽量バージョンによって軽減される。 最先端のイベントベース非同期トラッカーにおける追跡精度と特徴年齢の改善について報告する。
  論文  参考訳（メタデータ） (2024-09-22T19:03:19Z)
• Active Finetuning: Exploiting Annotation Budget in the Pretraining-Finetuning Paradigm [132.9949120482274]
  本稿では,事前学習ファインタニングパラダイムにおけるアノテーションのためのサンプルの選択に焦点を当てる。 本研究では,アクティブな微調整タスクのためのActiveFTと呼ばれる新しい手法を提案する。 画像分類とセマンティックセグメンテーションの両方に基づくベースラインよりも優れたActiveFTの先行性能と高効率性を示す。
  論文  参考訳（メタデータ） (2023-03-25T07:17:03Z)
• DirectTracker: 3D Multi-Object Tracking Using Direct Image Alignment and Photometric Bundle Adjustment [41.27664827586102]
  直接法は視覚計測とSLAMの応用において優れた性能を示した。 本研究では,3次元物体検出のための短期追跡とスライディングウインドウ光度束調整のための直像アライメントを効果的に組み合わせたフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-29T17:40:22Z)
• Asynchronous Optimisation for Event-based Visual Odometry [53.59879499700895]
  イベントカメラは、低レイテンシと高ダイナミックレンジのために、ロボット知覚の新しい可能性を開く。 イベントベースビジュアル・オドメトリー(VO)に焦点をあてる 動作最適化のバックエンドとして非同期構造を提案する。
  論文  参考訳（メタデータ） (2022-03-02T11:28:47Z)
• Jacobian Computation for Cumulative B-splines on SE(3) and Application to Continuous-Time Object Tracking [13.249453757295086]
  複数のRGB-Dビューから,シーンに存在する動的剛体物体の連続軌跡(向きと変換)を推定する手法を提案する。 対象軌跡を累積的B-スプライン曲線に合わせることにより、任意の中間時刻スタンプで、ポーズだけでなく、直線的かつ角的な速度と加速度も補間できる。
  論文  参考訳（メタデータ） (2022-01-25T19:53:33Z)
• Self-Tuning Stochastic Optimization with Curvature-Aware Gradient Filtering [53.523517926927894]
  サンプルごとのHessian-vector積と勾配を用いて、自己チューニングの二次構造を構築する。 モデルに基づく手続きが雑音勾配設定に収束することを証明する。 これは自己チューニング二次体を構築するための興味深いステップである。
  論文  参考訳（メタデータ） (2020-11-09T22:07:30Z)
• Faster object tracking pipeline for real time tracking [0.0]
  マルチオブジェクトトラッキング(MOT)は、視覚ベースのアプリケーションにとって難しい実践的問題である。 本稿では,検出に基づく物体追跡手法の高速化に有効な汎用パイプラインについて紹介する。
  論文  参考訳（メタデータ） (2020-11-08T06:33:48Z)
• Stochastic Optimization with Laggard Data Pipelines [65.20044914532221]
  共通最適化手法の「データ抽出」拡張は同期手法よりも優れた性能を示すことを示す。 具体的には、ミニバッチによる凸最適化において、データエコーは、最適統計率を維持しながら収束率の曲率に支配される部分の高速化をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-10-26T14:55:31Z)
• PnPNet: End-to-End Perception and Prediction with Tracking in the Loop [82.97006521937101]
  我々は、自動運転車の文脈において、共同認識と運動予測の問題に取り組む。 我々は,入力センサデータとしてエンド・ツー・エンドのモデルであるNetを提案し,各ステップのオブジェクト追跡とその将来レベルを出力する。
  論文  参考訳（メタデータ） (2020-05-29T17:57:25Z)

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。