Fugu-MT 論文翻訳(概要): DeepScanner: a Robotic System for Automated 2D Object Dataset Collection with Annotations

論文の概要: DeepScanner: a Robotic System for Automated 2D Object Dataset Collection with Annotations

arxiv url: http://arxiv.org/abs/2108.02555v1
Date: Thu, 5 Aug 2021 12:21:18 GMT
ステータス: 処理完了
システム内更新日: 2021-08-06 14:31:42.531851
Title: DeepScanner: a Robotic System for Automated 2D Object Dataset Collection with Annotations
Title（参考訳）: deepscanner - アノテーションによる2dオブジェクトデータセットの自動収集のためのロボットシステム
Authors: Valery Ilin, Ivan Kalinov, Pavel Karpyshev, Dzmitry Tsetserukou
Abstract要約: 音声合成ロボットを用いた自動データセット収集の可能性について述べる。提案技術は,多角形データセット上の画素誤差の数と2次元オブジェクトの手動ラベリングに要する時間を削減する。
参考スコア（独自算出の注目度）: 4.0423807111935295
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the proposed study, we describe the possibility of automated dataset collection using an articulated robot. The proposed technology reduces the number of pixel errors on a polygonal dataset and the time spent on manual labeling of 2D objects. The paper describes a novel automatic dataset collection and annotation system, and compares the results of automated and manual dataset labeling. Our approach increases the speed of data labeling 240-fold, and improves the accuracy compared to manual labeling 13-fold. We also present a comparison of metrics for training a neural network on a manually annotated and an automatically collected dataset.
Abstract（参考訳）: 本研究では,ロボットを用いた自動データセット収集の可能性について述べる。提案技術は,多角形データセット上の画素誤差の数と2次元オブジェクトの手動ラベリングに要する時間を削減する。本稿では,新しい自動データセット収集とアノテーションシステムについて述べるとともに,自動および手動のデータセットラベリングの結果を比較した。提案手法は,データラベリング240倍の速度を向上し,手動ラベリング13倍の精度を向上する。また、手動で注釈付けされたデータセットと自動収集されたデータセットでニューラルネットワークをトレーニングするためのメトリクスの比較を示す。

関連論文リスト

TrajSSL: Trajectory-Enhanced Semi-Supervised 3D Object Detection [59.498894868956306]
Pseudo-labeling approach to semi-supervised learning は教師-学生の枠組みを採用する。我々は、事前学習した動き予測モデルを活用し、擬似ラベル付きデータに基づいて物体軌跡を生成する。提案手法は2つの異なる方法で擬似ラベル品質を向上する。
論文参考訳（メタデータ） (2024-09-17T05:35:00Z)
Jacquard V2: Refining Datasets using the Human In the Loop Data Correction Method [8.588472253340859]
本稿では,Human-In-The-Loop(HIL)手法を用いてデータセットの品質を向上させることを提案する。このアプローチは、ロボットの把握のための物体の位置と方向を予測するために、バックボーンのディープラーニングネットワークに依存している。ラベルを欠いた画像は、有効なグリップバウンディングボックス情報で拡張される一方、破滅的なラベリングエラーによる画像は完全に除去される。
論文参考訳（メタデータ） (2024-02-08T15:32:22Z)
Automated Multimodal Data Annotation via Calibration With Indoor Positioning System [0.0]
本手法では,室内位置決めシステム(IPS)を用いて,点雲と画像の両方の正確な検出ラベルを生成する。実験では、システムは人間のベースラインの261.8倍の速さで関心のあるオブジェクトに注釈を付ける。
論文参考訳（メタデータ） (2023-12-06T16:54:24Z)
LABELMAKER: Automatic Semantic Label Generation from RGB-D Trajectories [59.14011485494713]
この研究は、完全に自動化された2D/3Dラベリングフレームワークを導入し、RGB-Dスキャンのラベルを同等(あるいはそれ以上)の精度で生成できる。我々は、ScanNetデータセットのラベルを大幅に改善し、これまでラベル付けされていなかったARKitScenesデータセットを自動的にラベル付けすることで、LabelMakerパイプラインの有効性を実証する。
論文参考訳（メタデータ） (2023-11-20T20:40:24Z)
AutoSynth: Learning to Generate 3D Training Data for Object Point Cloud Registration [69.21282992341007]
Auto Synthは、ポイントクラウド登録のための3Dトレーニングデータを自動的に生成する。私たちはポイントクラウド登録ネットワークをもっと小さなサロゲートネットワークに置き換え、4056.43$のスピードアップを実現しました。 TUD-L,LINEMOD,Occluded-LINEMODに関する我々の研究結果は,検索データセットでトレーニングされたニューラルネットワークが,広く使用されているModelNet40データセットでトレーニングされたニューラルネットワークよりも一貫してパフォーマンスが向上していることを示す。
論文参考訳（メタデータ） (2023-09-20T09:29:44Z)
Automatically Prepare Training Data for YOLO Using Robotic In-Hand Observation and Synthesis [14.034128227585143]
本稿では,ロボットが収集した限られたデータセットを拡大するために,ロボット内観察とデータ合成を組み合わせることを提案する。収集された合成画像を組み合わせて、ディープ検出ニューラルネットワークをトレーニングする。その結果, 観察画像と合成画像の組み合わせが手動データ作成に匹敵する性能を示した。
論文参考訳（メタデータ） (2023-01-04T04:20:08Z)
A Comparison of Automatic Labelling Approaches for Sentiment Analysis [1.7205106391379026]
教師付き機械学習モデルの精度は、トレーニング対象のラベル付きデータの品質に強く関係している。我々は、TextBlob、Vader、Afinnの3つの自動感情ラベル技術を比較した。その結果, BiLSTM深層学習モデルを用いて, Afinn ラベル法は 80.17% (DS-1) と 80.05% (DS-2) の精度が得られることがわかった。
論文参考訳（メタデータ） (2022-11-05T21:41:44Z)
AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
論文参考訳（メタデータ） (2022-01-31T20:02:22Z)
Data Augmentation for Object Detection via Differentiable Neural Rendering [71.00447761415388]
注釈付きデータが乏しい場合、堅牢なオブジェクト検出器を訓練することは困難です。この問題に対処する既存のアプローチには、ラベル付きデータからラベル付きデータを補間する半教師付き学習が含まれる。オブジェクト検出のためのオフラインデータ拡張手法を導入し、新しいビューでトレーニングデータを意味的に補間する。
論文参考訳（メタデータ） (2021-03-04T06:31:06Z)
Self-Supervised Person Detection in 2D Range Data using a Calibrated Camera [83.31666463259849]
2次元LiDARに基づく人検出器のトレーニングラベル(擬似ラベル)を自動生成する手法を提案する。擬似ラベルで訓練または微調整された自己監視検出器が,手動アノテーションを用いて訓練された検出器を上回っていることを示した。私達の方法は付加的な分類の努力なしで配置の間に人の探知器を改善する有効な方法です。
論文参考訳（メタデータ） (2020-12-16T12:10:04Z)

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。