論文の概要: Registration Techniques for Deformable Objects
- arxiv url: http://arxiv.org/abs/2111.04053v1
- Date: Sun, 7 Nov 2021 11:25:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-10 06:52:53.967156
- Title: Registration Techniques for Deformable Objects
- Title(参考訳): 変形可能な物体の登録技術
- Authors: Alireza Ahmadi
- Abstract要約: 一般に、厳密でない登録の問題は、2つの異なる時点において取られた動的物体の2つの異なるスキャンを一致させることである。
モデルの新たな部分が表示され、他の部分が2つのスキャンの間に隠蔽されるため、重複領域は両方のスキャンのサブセットである。
このテーマは、デフォーミングオブジェクトをマッピングし、同時に環境中のカメラをローカライズすることである。
- 参考スコア(独自算出の注目度): 1.713291434132985
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In general, the problem of non-rigid registration is about matching two
different scans of a dynamic object taken at two different points in time.
These scans can undergo both rigid motions and non-rigid deformations. Since
new parts of the model may come into view and other parts get occluded in
between two scans, the region of overlap is a subset of both scans. In the most
general setting, no prior template shape is given and no markers or explicit
feature point correspondences are available. So, this case is a partial
matching problem that takes into account the assumption that consequent scans
undergo small deformations while having a significant amount of overlapping
area [28]. The problem which this thesis is addressing is mapping deforming
objects and localizing cameras in the environment at the same time.
- Abstract(参考訳): 一般に、非リギッド登録の問題は、2つの異なる時点から取られた動的オブジェクトの2つの異なるスキャンを一致させることである。
これらのスキャンは剛体運動と非剛体変形の両方を行うことができる。
モデルの新たな部分が表示され、他の部分が2つのスキャンの間に隠蔽されるため、重複領域は両方のスキャンのサブセットである。
最も一般的な設定では、事前のテンプレート形状は与えられず、マーカーや明示的な特徴点対応は利用できない。
したがって、このケースは、大量の重なり合う領域[28]を持ちながら、連続走査が小さな変形を受けるという仮定を考慮に入れた部分的マッチング問題である。
この論文が取り組んでいる問題は、変形する物体のマッピングと、同時に環境にカメラをローカライズすることである。
関連論文リスト
- Deformation-Guided Unsupervised Non-Rigid Shape Matching [7.327850781641328]
非厳密な形状マッチングのための教師なしデータ駆動方式を提案する。
本手法は,3次元スキャナを用いたディジタル形状のマッチングにおいて特に堅牢である。
論文 参考訳(メタデータ) (2023-11-27T09:55:55Z) - U-RED: Unsupervised 3D Shape Retrieval and Deformation for Partial Point
Clouds [84.32525852378525]
教師なし形状検索および変形パイプラインであるU-REDを提案する。
任意のオブジェクトの観察を入力として受け取り、通常RGBの画像やスキャンによってキャプチャされ、幾何学的に類似したCADモデルを共同で検索して変形する。
我々は,U-REDが既存の最先端アプローチを47.3%,16.7%,31.6%で上回っていることを示す。
論文 参考訳(メタデータ) (2023-08-11T20:56:05Z) - SegTAD: Precise Temporal Action Detection via Semantic Segmentation [65.01826091117746]
意味的セグメンテーションの新しい視点で時間的行動検出のタスクを定式化する。
TADの1次元特性により、粗粒度検出アノテーションを細粒度セマンティックセマンティックアノテーションに無償で変換できる。
1Dセマンティックセグメンテーションネットワーク(1D-SSN)と提案検出ネットワーク(PDN)からなるエンドツーエンドフレームワークSegTADを提案する。
論文 参考訳(メタデータ) (2022-03-03T06:52:13Z) - Deep Confidence Guided Distance for 3D Partial Shape Registration [14.315501760755609]
部分的から部分的な3次元形状登録のための新しい非定型学習法を提案する。
本稿では,信頼誘導距離ネットワーク(CGD-net)を紹介し,点埋め込みと点雲間の空間距離との学習可能な類似性を融合させる。
論文 参考訳(メタデータ) (2022-01-27T08:40:05Z) - Leveraging Unsupervised Image Registration for Discovery of Landmark
Shape Descriptor [5.40076482533193]
本稿では,画像からランドマークを発見するための自己教師型深層学習手法を提案する。
我々は、ランドマーク駆動のイメージ登録を主要なタスクとして使用し、ニューラルネットワークにイメージを適切に登録するランドマークを見つけるように強制する。
提案手法は分割と前処理を回避し、2D画像や3D画像のみを用いて使用可能な形状記述子を直接生成する。
論文 参考訳(メタデータ) (2021-11-13T01:02:10Z) - Decoupled Adaptation for Cross-Domain Object Detection [69.5852335091519]
クロスドメインオブジェクト検出は、オブジェクト分類よりも難しい。
D-adaptは4つのクロスドメインオブジェクト検出タスクで最先端の結果を達成する。
論文 参考訳(メタデータ) (2021-10-06T08:43:59Z) - Reference-based Defect Detection Network [57.89399576743665]
最初の問題はテクスチャシフトであり、これはトレーニングされた欠陥検出モデルが目に見えないテクスチャの影響を受けやすいことを意味する。
第2の問題は部分的な視覚的混乱であり、部分的な欠陥ボックスが完全なボックスと視覚的に類似していることを示している。
本稿では,これら2つの問題に対処する参照型欠陥検出ネットワーク(RDDN)を提案する。
論文 参考訳(メタデータ) (2021-08-10T05:44:23Z) - Non-Rigid Puzzles [50.213265511586535]
非剛性多部形状マッチングアルゴリズムを提案する。
非剛性変形中の参照形状とその複数の部品が与えられると仮定する。
合成法と実走査法の実験結果から,本手法の有効性が示された。
論文 参考訳(メタデータ) (2020-11-26T00:32:30Z) - Object-centered image stitching [15.850092529468004]
画像ステッチは通常、登録、シーム発見、ブレンディングの3つのフェーズに分けられる。
ここでは、オブジェクトが収穫されたり、省略されたり、複製されたりする際に、このアプローチの最も問題となる障害が発生することを観察する。
我々は、オブジェクト検出の最近の進歩を活用して、オブジェクト中心のアプローチを問題に適用する。
論文 参考訳(メタデータ) (2020-11-23T23:20:09Z) - Category Level Object Pose Estimation via Neural Analysis-by-Synthesis [64.14028598360741]
本稿では、勾配に基づくフィッティング法とパラメトリックニューラルネットワーク合成モジュールを組み合わせる。
画像合成ネットワークは、ポーズ設定空間を効率的に分散するように設計されている。
本研究では,2次元画像のみから高精度に物体の向きを復元できることを実験的に示す。
論文 参考訳(メタデータ) (2020-08-18T20:30:47Z)
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。