論文の概要: PlantStereo: A Stereo Matching Benchmark for Plant Surface Dense Reconstruction

• arxiv url: http://arxiv.org/abs/2111.15192v1
• Date: Tue, 30 Nov 2021 08:06:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-01 15:06:38.244872
• Title: PlantStereo: A Stereo Matching Benchmark for Plant Surface Dense Reconstruction
• Title（参考訳）: plantstereo:植物表面密度再構成のためのステレオマッチングベンチマーク
• Authors: Qingyu Wang, Baojian Ma, Wei Liu, Mingzhao Lou, Mingchuan Zhou, Huanyu Jiang and Yibin Ying
• Abstract要約: そこで我々はPlantStereoという精度の異なる大規模ステレオデータセットを提案する。 PlantStereoには、さまざまな植物の集合をカバーする812のイメージペアが含まれている。 異なるモデルと植物に対する実験により、整数精度において基底真理と比較すると、PlanetStereoが提供する高精度な不均一画像は、ディープラーニングモデルのトレーニング効果を著しく改善できることが示された。
• 参考スコア（独自算出の注目度）: 6.357148898143271
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stereo matching is an important task in computer vision which has drawn tremendous research attention for decades. While in terms of disparity accuracy, density and data size, public stereo datasets are difficult to meet the requirements of models. In this paper, we aim to address the issue between datasets and models and propose a large scale stereo dataset with high accuracy disparity ground truth named PlantStereo. We used a semi-automatic way to construct the dataset: after camera calibration and image registration, high accuracy disparity images can be obtained from the depth images. In total, PlantStereo contains 812 image pairs covering a diverse set of plants: spinach, tomato, pepper and pumpkin. We firstly evaluated our PlantStereo dataset on four different stereo matching methods. Extensive experiments on different models and plants show that compared with ground truth in integer accuracy, high accuracy disparity images provided by PlantStereo can remarkably improve the training effect of deep learning models. This paper provided a feasible and reliable method to realize plant surface dense reconstruction. The PlantStereo dataset and relative code are available at: https://www.github.com/wangqingyu985/PlantStereo
• Abstract（参考訳）: ステレオマッチングはコンピュータビジョンにおいて重要なタスクであり、何十年にもわたって研究の注目を集めてきた。 差分精度、密度、データサイズの観点からは、公開ステレオデータセットはモデルの要件を満たすことは困難である。 本稿では,データセットとモデル間の問題に対処し,プラントステレオと呼ばれる高精度な不均一な基礎的真理を持つ大規模ステレオデータセットを提案する。 我々は、カメラキャリブレーションと画像登録の後、深度画像から高精度の差画像を得ることができる半自動でデータセットを構築した。 PlantStereoには、ホウレンソウ、トマト、唐辛子、カボチャなど、さまざまな植物の812枚のイメージペアが含まれている。 まず,4種類のステレオマッチング手法を用いてPlanetStereoデータセットの評価を行った。 異なるモデルや植物に対する広範囲な実験により、整数精度の基底真理と比較して、プラントステレオが提供する高精度な不一致画像はディープラーニングモデルのトレーニング効果を著しく改善できることが示された。 本論文は,植物表面の高密度再構築を実現するための実現可能かつ信頼性の高い手法である。 PlantStereoデータセットと相対コードは、https://www.github.com/wangqingyu985/PlantStereoで入手できる。

関連論文リスト

• Stereo Anything: Unifying Stereo Matching with Large-Scale Mixed Data [26.029499450825092]
  我々は、ロバストなステレオマッチングのためのソリューションであるStereoAnythingを紹介する。 ラベル付きステレオ画像を収集し,ラベル付きモノクロ画像から合成ステレオペアを生成することにより,データセットをスケールアップする。 5つの公開データセット上で,モデルのゼロショット能力を広範囲に評価した。
  論文  参考訳（メタデータ） (2024-11-21T11:59:04Z)
• Rethinking Image Super-Resolution from Training Data Perspectives [54.28824316574355]
  画像超解像(SR)におけるトレーニングデータの効果について検討する。 そこで我々は,自動画像評価パイプラインを提案する。 その結果, (i) 圧縮アーチファクトの少ないデータセット, (ii) 被写体数によって判断される画像内多様性の高いデータセット, (iii) ImageNet や PASS からの大量の画像がSR性能に肯定的な影響を与えることがわかった。
  論文  参考訳（メタデータ） (2024-09-01T16:25:04Z)
• MegaScenes: Scene-Level View Synthesis at Scale [69.21293001231993]
  NVS (Scene-level novel view synthesis) は多くの視覚やグラフィックスの応用に基礎を置いている。 MegaScenesと呼ばれるインターネット写真コレクションから大規模なシーンレベルのデータセットを作成し、世界中の動き(SfM)から100K以上の構造を復元する。 我々は、最先端NVS手法の故障事例を分析し、生成一貫性を大幅に改善する。
  論文  参考訳（メタデータ） (2024-06-17T17:55:55Z)
• Improving Data Efficiency for Plant Cover Prediction with Label Interpolation and Monte-Carlo Cropping [7.993547048820065]
  植物群落の組成は環境変化の重要な指標であり、通常生態学的研究で分析される。 本稿では,収集した植生計画時系列のスパースラベルを中間密度・未ラベル画像に補間する手法を提案する。 また,高解像度画像の処理を効率的に行うため,モンテカルロ・クロッピングと呼ばれる新しい手法を導入する。
  論文  参考訳（メタデータ） (2023-07-17T15:17:39Z)
• WHU-Stereo: A Challenging Benchmark for Stereo Matching of High-Resolution Satellite Images [6.94910629833724]
  本稿では、DLネットワークトレーニングとテストのステレオマッチングのための挑戦的なデータセットWHU-Stereoを作成し、公開する。 このデータセットは、中国のGaoFen-7衛星(GF-7)から得られた空中LiDAR点雲と高解像度ステレオ画像を用いて作成されている。 提案手法は,既存のステレオマッチング・データセットと同等の精度を達成できることを実証した。
  論文  参考訳（メタデータ） (2022-06-06T04:01:46Z)
• Any-resolution Training for High-resolution Image Synthesis [55.19874755679901]
  生成モデルは、様々な大きさの自然画像であっても、一定の解像度で動作します。 すべてのピクセルが重要であり、そのネイティブ解像度で収集された可変サイズのイメージを持つデータセットを作成する、と我々は主張する。 ランダムなスケールでパッチをサンプリングし、可変出力解像度で新しいジェネレータを訓練するプロセスである。
  論文  参考訳（メタデータ） (2022-04-14T17:59:31Z)
• Learning to See by Looking at Noise [87.12788334473295]
  簡単なランダムなプロセスから画像を生成する一連の画像生成モデルについて検討する。 これらは、対照的な損失を伴う視覚表現学習者のトレーニングデータとして使用される。 以上の結果から,実データの構造的特性を捉えることはノイズにとって重要であるが,現実的ではないプロセスでも良好な性能が達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-06-10T17:56:46Z)
• SMD-Nets: Stereo Mixture Density Networks [68.56947049719936]
  SMD-Nets(Stereo Mixture Density Networks)は、幅広い2Dおよび3Dアーキテクチャに対応したシンプルで効果的な学習フレームワークです。 具体的には,バイモーダル混合密度を出力表現として活用し,不連続近傍の鋭く正確な不一致推定を可能にすることを示す。 我々は8Mpx解像度のステレオペアと現実世界のステレオデータセットからなる、新しい高解像度でリアルな合成ステレオデータセットに関する包括的な実験を行う。
  論文  参考訳（メタデータ） (2021-04-08T16:15:46Z)
• Learning Stereo from Single Images [41.32821954097483]
  教師付きディープネットワークはステレオ画像対の対応を見つける最良の方法の一つである。 地上の真理深度やそれに対応するステレオペアに高い依存度を持つことは不要である。 単眼深度推定の最近の進歩に触発されて、単眼画像から可塑性不均一マップを生成し、その欠陥不均一マップを慎重に設計したパイプラインに使用し、ステレオトレーニングペアを生成する。
  論文  参考訳（メタデータ） (2020-08-04T12:22:21Z)
• MTStereo 2.0: improved accuracy of stereo depth estimation withMax-trees [8.54329116256365]
  MTStereo 2.0 と呼ばれるステレオマッチング手法を提案する。 これは画像対のマックスツリー階層的表現に基づいており、画像スキャン線に沿ったマッチング領域を特定するために使用される。 提案手法は,KITTI 2015, Driving, FlyingThings3D, Middlebury 2014, Monkaa, TrimBot 2020など,いくつかのベンチマークデータセットで検証し, 競争精度と効率性を実現した。
  論文  参考訳（メタデータ） (2020-06-27T14:33:04Z)
• Multi-View Photometric Stereo: A Robust Solution and Benchmark Dataset for Spatially Varying Isotropic Materials [65.95928593628128]
  多視点光度ステレオ技術を用いて3次元形状と空間的に異なる反射率の両方をキャプチャする手法を提案する。 我々のアルゴリズムは、遠近点光源と遠近点光源に適している。
  論文  参考訳（メタデータ） (2020-01-18T12:26:22Z)

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。