論文の概要: Onsite Non-Line-of-Sight Imaging via Online Calibrations

• arxiv url: http://arxiv.org/abs/2112.14555v1
• Date: Wed, 29 Dec 2021 13:48:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-30 16:07:12.695067
• Title: Onsite Non-Line-of-Sight Imaging via Online Calibrations
• Title（参考訳）: オンライン校正による現場非視線イメージング
• Authors: Zhengqing Pan, Ruiqian Li, Tian Gao, Zi Wang, Ping Liu, Siyuan Shen, Tao Wu, Jingyi Yu, Shiying Li
• Abstract要約: オンラインキャリブレーション手法により,LOSと隠されたコンポーネントのオンサイトスキャンにおいて,取得したトランジェントを直接分離する。 本手法は,鏡やチェッカーボードなどの補助校正装置の使用を回避し,実験室のバリデーションと実世界の展開をサポートする。
• 参考スコア（独自算出の注目度）: 55.306331730013774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There has been an increasing interest in deploying non-line-of-sight (NLOS) imaging systems for recovering objects behind an obstacle. Existing solutions generally pre-calibrate the system before scanning the hidden objects. Onsite adjustments of the occluder, object and scanning pattern require re-calibration. We present an online calibration technique that directly decouples the acquired transients at onsite scanning into the LOS and hidden components. We use the former to directly (re)calibrate the system upon changes of scene/obstacle configurations, scanning regions, and scanning patterns whereas the latter for hidden object recovery via spatial, frequency or learning based techniques. Our technique avoids using auxiliary calibration apparatus such as mirrors or checkerboards and supports both laboratory validations and real-world deployments.
• Abstract（参考訳）: 障害物の後方で物体を回収するための非視線イメージングシステム(NLOS)の展開への関心が高まっている。 既存のソリューションは一般に、隠れたオブジェクトをスキャンする前にシステムを事前に調整する。 occluder, object, scanningパターンのオンサイト調整には再校正が必要である。 オンラインキャリブレーション手法により,LOSと隠されたコンポーネントのオンサイトスキャンにおいて,取得したトランジェントを直接分離する。 前者はシーン/オブスタクル構成、スキャン領域、スキャンパターンの変化に基づいてシステムを直接(再)調整し、後者は空間的、周波数的、あるいは学習に基づく手法による隠れたオブジェクトのリカバリを行う。 本手法は,鏡やチェッカーボードなどの補助キャリブレーション装置の使用を回避し,実験検証と実世界の展開の両方をサポートする。

関連論文リスト

• SuperPose: Improved 6D Pose Estimation with Robust Tracking and Mask-Free Initialization [5.298176595324931]
  我々は,FoundationPose,SAM2,LightGlueを統合することで,産業アプリケーションにおけるリアルタイム6Dオブジェクト検出のための堅牢なソリューションを開発した。 アルゴリズムはターゲットオブジェクトのCADモデルのみを必要とし、ユーザは初期設定中にライブフィードの場所をクリックします。 YCBデータセットと漂白機やギアなどの産業用部品でテストされ、アルゴリズムは信頼性の高い6D検出と追跡を実証した。
  論文  参考訳（メタデータ） (2024-09-30T06:26:49Z)
• Cable Slack Detection for Arresting Gear Application using Machine Vision [0.0]
  ケーブルをベースとした逮捕システムは、航空母艦の打ち上げと回収、および遠征用陸上基地の設置に不可欠である。 このシステムの主要なコンポーネントの1つは、エンジンへのケーブルインターフェースである。 この界面におけるケーブルのスラックの形成は効率を低下させ、継続動作前にケーブルのスラックを除去するためのメンテナンスを駆動する。 マシンビジョンに基づくスラック検出システムを示す。
  論文  参考訳（メタデータ） (2023-12-04T20:00:40Z)
• CalibFPA: A Focal Plane Array Imaging System based on Online Deep-Learning Calibration [0.13194391758295113]
  多重LR測定のオンライン深層学習校正に基づく新しい圧縮FPAシステムを提案する。 次に、深層ニューラルネットワークを利用して、多重測定におけるシステム非理想の影響を補正する。 CalibFPAは最先端の圧縮FPA法より優れている。
  論文  参考訳（メタデータ） (2023-09-20T15:53:33Z)
• Towards Improving Calibration in Object Detection Under Domain Shift [9.828212203380133]
  本研究では、現在の物体検出モデルの校正について、特にドメインシフト下で検討する。 物体検出のためのプラグアンドプレイ列車時キャリブレーション損失を導入する。 第二に、一般的に使われている自己学習型ドメイン適応検出器を暗黙的に校正できる物体検出のための新しい不確実性機構を考案する。
  論文  参考訳（メタデータ） (2022-09-15T20:32:28Z)
• Exploring Resolution and Degradation Clues as Self-supervised Signal for Low Quality Object Detection [77.3530907443279]
  劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。 本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
  論文  参考訳（メタデータ） (2022-08-05T09:36:13Z)
• Non-Line-of-Sight Tracking and Mapping with an Active Corner Camera [6.1682551286538825]
  非視線(NLOS)画像は、捜索・救助、自律走行航法、偵察など、さまざまな分野で変化しうる。 既存のアクティブNLOS法は、リレー面に向いたパルスレーザーを用いて隠れたシーンを照らし、返射光の時間分解測定を行う。 本研究は、複数の照明位置のない、より完全な光応答モデリングに基づいて、動作中の物体の正確な再構成と、背後にある静止風景の「地図」を実証する。
  論文  参考訳（メタデータ） (2022-08-02T19:27:45Z)
• Test-time Adaptation with Slot-Centric Models [63.981055778098444]
  Slot-TTAは、半教師付きシーン分解モデルであり、シーンごとのテスト時間は、再構成やクロスビュー合成の目的に対する勾配降下を通じて適用される。 我々は、最先端の監視フィードフォワード検出器と代替テスト時間適応法に対して、配電性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2022-03-21T17:59:50Z)
• DETReg: Unsupervised Pretraining with Region Priors for Object Detection [103.93533951746612]
  DETRegは、オブジェクト検出ネットワーク全体を事前トレーニングする、新しい自己教師型メソッドである。 事前トレーニング中、DETRegはオブジェクトのローカライゼーションを予測し、教師なしのリージョン提案ジェネレータからのローカライゼーションにマッチする。 対応する機能埋め込みと、自己教師付きイメージエンコーダからの埋め込みを同時に調整する。
  論文  参考訳（メタデータ） (2021-06-08T17:39:14Z)
• How to Calibrate Your Event Camera [58.80418612800161]
  画像再構成を用いた汎用イベントカメラキャリブレーションフレームワークを提案する。 ニューラルネットワークに基づく画像再構成は,イベントカメラの内在的・外在的キャリブレーションに適していることを示す。
  論文  参考訳（メタデータ） (2021-05-26T07:06:58Z)
• Instance Localization for Self-supervised Detection Pretraining [68.24102560821623]
  インスタンスローカリゼーションと呼ばれる,新たな自己監視型プリテキストタスクを提案する。 境界ボックスを事前学習に組み込むことで、より優れたタスクアライメントとアーキテクチャアライメントが促進されることを示す。 実験結果から, オブジェクト検出のための最先端の転送学習結果が得られた。
  論文  参考訳（メタデータ） (2021-02-16T17:58:57Z)

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。