Fugu-MT 論文翻訳(概要): BIDCD - Bosch Industrial Depth Completion Dataset

論文の概要: BIDCD - Bosch Industrial Depth Completion Dataset

arxiv url: http://arxiv.org/abs/2108.04706v1
Date: Tue, 10 Aug 2021 14:06:49 GMT
ステータス: 処理完了
システム内更新日: 2021-08-11 17:11:19.087765
Title: BIDCD - Bosch Industrial Depth Completion Dataset
Title（参考訳）: BIDCD - Bosch Industrial Depth Completion Dataset
Authors: Adam Botach, Yuri Feldman, Yakov Miron, Yoel Shapiro, Dotan Di Castro
Abstract要約: BIDCDは、ロボットマニピュレータに搭載された深度カメラで収集された、新しいRGBD産業オブジェクトのデータセットである。このデータセットの主な目的は、ドメイン固有の深度補完モデルのトレーニングを容易にすることである。このデータセット上で、State-of-the-Art深度補完モデルをトレーニングし、結果を報告し、初期ベンチマークを設定しました。
参考スコア（独自算出の注目度）: 1.8964297717614733
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce BIDCD - the Bosch Industrial Depth Completion Dataset. BIDCD is a new RGBD dataset of metallic industrial objects, collected with a depth camera mounted on a robotic manipulator. The main purpose of this dataset is to facilitate the training of domain-specific depth completion models, to be used in logistics and manufacturing tasks. We trained a State-of-the-Art depth completion model on this dataset, and report the results, setting an initial benchmark.
Abstract（参考訳）: BIDCD - Bosch Industrial Depth Completion Datasetを紹介する。 bidcdは、金属産業用の新しいrgbdデータセットで、ロボットマニピュレータに搭載された深度カメラで収集される。このデータセットの主な目的は、物流や製造タスクで使用されるドメイン固有の深度補完モデルのトレーニングを容易にすることである。このデータセットで最先端の奥行き完了モデルをトレーニングし、その結果を報告し、最初のベンチマークを設定しました。

関連論文リスト

Adapting Segment Anything Model for Unseen Object Instance Segmentation [70.60171342436092]
Unseen Object Instance(UOIS)は、非構造環境で動作する自律ロボットにとって不可欠である。 UOISタスクのためのデータ効率のよいソリューションであるUOIS-SAMを提案する。 UOIS-SAMは、(i)HeatmapベースのPrompt Generator(HPG)と(ii)SAMのマスクデコーダに適応する階層識別ネットワーク(HDNet)の2つの重要なコンポーネントを統合する。
論文参考訳（メタデータ） (2024-09-23T19:05:50Z)
Bosch Street Dataset: A Multi-Modal Dataset with Imaging Radar for Automated Driving [31.425265308487088]
ボッシュストリートデータセット(BSD)は、高度自動運転(HAD)と高度運転支援システム(ADAS)の研究を促進することを目的とした、新しいマルチモーダルな大規模データセットである。 BSDは、高解像度イメージングレーダー、ライダー、カメラセンサーのユニークな統合を提供し、前例のない360度カバレッジを提供する。
論文参考訳（メタデータ） (2024-06-24T14:40:56Z)
Training Deep Learning Models with Hybrid Datasets for Robust Automatic Target Detection on real SAR images [0.13194391758295113]
そこで本研究では,MOCEMシミュレータを用いて合成目標シグネチャを用いたATDモデルの学習手法を提案する。我々は、合成データと実データの間の領域ギャップを埋めるために特別に調整されたATDモデルを訓練する。我々のアプローチは、トレーニングに人工目標のみを使用しながら、実データ上で平均精度の90%に達することができる。
論文参考訳（メタデータ） (2024-05-15T09:26:24Z)
IPAD: Industrial Process Anomaly Detection Dataset [71.39058003212614]
ビデオ異常検出(VAD)は,ビデオフレーム内の異常を認識することを目的とした課題である。本稿では,産業シナリオにおけるVADに特化して設計された新しいデータセットIPADを提案する。このデータセットは16の異なる産業用デバイスをカバーし、合成ビデオと実世界のビデオの両方を6時間以上保存している。
論文参考訳（メタデータ） (2024-04-23T13:38:01Z)
Exploiting Multimodal Synthetic Data for Egocentric Human-Object Interaction Detection in an Industrial Scenario [14.188006024550257]
EgoISM-HOIは,手や物体のアノテーションが豊富な産業環境下で合成されたEHOI画像からなる,新しいマルチモーダルデータセットである。本研究は,提案手法を事前学習するために合成データを活用することにより,実世界のデータでテストした場合の性能が著しく向上することを示す。この分野での研究を支援するため、私たちはデータセット、ソースコード、事前トレーニングされたモデルをhttps://iplab.dmi.unict.it/egoism-hoi.comで公開しています。
論文参考訳（メタデータ） (2023-06-21T09:56:55Z)
Dataset Distillation: A Comprehensive Review [76.26276286545284]
データセット蒸留(DD)は、トレーニングされたモデルが元のデータセットでトレーニングされたデータセットに匹敵するパフォーマンスを得るために、合成サンプルを含むはるかに小さなデータセットを導出することを目的としている。本稿ではDDの最近の進歩とその応用について概説する。
論文参考訳（メタデータ） (2023-01-17T17:03:28Z)
Unsupervised Single-shot Depth Estimation using Perceptual Reconstruction [0.0]
この研究は、生成ニューラルネットワークの分野における最新の進歩を示し、それらを活用して完全に教師なしの単発深度合成を行う。 RGB-to-deepthとdeep-to-RGB転送用の2つのジェネレータを実装し,Wasserstein-1距離と新しい知覚再構成項を用いて同時に最適化した。本研究で得られた成果は、実世界のアプリケーションにおいて、教師なし単発深度推定の大きな可能性を示している。
論文参考訳（メタデータ） (2022-01-28T15:11:34Z)
A Survey on RGB-D Datasets [69.73803123972297]
本稿では,深度情報を含む画像データセットをレビューし,分類した。アクセス可能なデータを含む203のデータセットを収集し、それらをシーン/オブジェクト、ボディ、医療の3つのカテゴリに分類しました。
論文参考訳（メタデータ） (2022-01-15T05:35:19Z)
Salient Objects in Clutter [130.63976772770368]
本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
論文参考訳（メタデータ） (2021-05-07T03:49:26Z)
Exploring the Impacts from Datasets to Monocular Depth Estimation (MDE) Models with MineNavi [5.689127984415125]
ディープラーニングに基づく現在のコンピュータビジョンタスクは、モデルトレーニングやテストのためのアノテーションを備えた大量のデータを必要とする。実際には、高密度推定タスクのための手動ラベリングは非常に困難または不可能であり、データセットのシーンは小さな範囲に制限されることが多い。本稿では,手作業の負担を伴わない拡張可能なデータセットを得るための合成データセット生成手法を提案する。
論文参考訳（メタデータ） (2020-08-19T14:03:17Z)
RGB-D Salient Object Detection: A Survey [195.83586883670358]
様々な観点からRGB-Dに基づくSODモデルを総合的に調査する。また、このドメインからSODモデルと人気のあるベンチマークデータセットもレビューします。今後の研究に向けたRGB-DベースのSODの課題と方向性について論じる。
論文参考訳（メタデータ） (2020-08-01T10:01:32Z)

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。