論文の概要: MINSU (Mobile Inventory And Scanning Unit):Computer Vision and AI
- arxiv url: http://arxiv.org/abs/2204.06681v1
- Date: Thu, 14 Apr 2022 00:21:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-16 02:52:28.773688
- Title: MINSU (Mobile Inventory And Scanning Unit):Computer Vision and AI
- Title（参考訳）: MINSU (Mobile Inventory and Scanning Unit):コンピュータビジョンとAI
- Authors: Jihoon Ryoo, Byungkon Kang, Dongyeob Lee, Seunghyeon Kim, Youngho Kim
- Abstract要約: MINSUアルゴリズムは計算ビジョン解析法を用いてキャビネットの残量/フルネスを記録する。
オブジェクト検出、フォアグラウンドサブトラクション、K平均クラスタリング、パーセンテージ推定、カウントという5段階の手法を踏襲する。
- 参考スコア（独自算出の注目度）: 7.748463060341004
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The MINSU(Mobile Inventory and Scanning Unit) algorithm uses the
computational vision analysis method to record the residual quantity/fullness
of the cabinet. To do so, it goes through a five-step method: object detection,
foreground subtraction, K-means clustering, percentage estimation, and
counting. The input image goes through the object detection method to analyze
the specific position of the cabinets in terms of coordinates. After doing so,
it goes through the foreground subtraction method to make the image more
focus-able to the cabinet itself by removing the background (some manual work
may have to be done such as selecting the parts that were not grab cut by the
algorithm). In the K-means clustering method, the multi-colored image turns
into a 3 colored monotonous image for quicker and more accurate analysis. At
last, the image goes through percentage estimation and counting. In these two
methods, the proportion that the material inside the cabinet is found in
percentage which then is used to approximate the number of materials inside.
Had this project been successful, the residual quantity management could solve
the problem addressed earlier in the introduction.
- Abstract（参考訳）: MINSU(Mobile Inventory and Scanning Unit)アルゴリズムは計算ビジョン解析法を用いてキャビネットの残量/全量を記録する。
そのために、オブジェクト検出、フォアグラウンドサブトラクション、K平均クラスタリング、パーセンテージ推定、カウントという5段階の手法を踏襲する。
入力画像はオブジェクト検出法を通し、座標の点からキャビネットの特定位置を分析する。
その後、背景を取り除き、画像がキャビネット自体により焦点を絞れるようにするために、フォアグラウンドサブトラクション方式を踏襲する(アルゴリズムによってカットされていない部分を選択するなど、いくつかの手作業を行う必要がある)。
K平均クラスタリング法では、マルチカラー画像はより高速で正確な解析のために3色の単調画像となる。
最終的に、画像はパーセンテージの推定とカウントを経る。
この2つの方法では、キャビネット内の材料の割合がパーセンテージで示され、それが内部の材料数を近似するために使用される。
もしこのプロジェクトが成功すれば、残量管理は導入当初の問題を解決することができる。
関連論文リスト
- DVMNet: Computing Relative Pose for Unseen Objects Beyond Hypotheses [59.51874686414509]
現在のアプローチは、多数の離散的なポーズ仮説を持つ連続的なポーズ表現を近似している。
本稿では,DVMNet(Deep Voxel Matching Network)を提案する。
提案手法は,最先端の手法に比べて計算コストの低い新しいオブジェクトに対して,より正確なポーズ推定を行う。
論文 参考訳（メタデータ） (2024-03-20T15:41:32Z) - Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。
提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。
提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上を実現することができることを示す。
論文 参考訳（メタデータ） (2023-07-20T15:21:28Z) - Confidence Score for Unsupervised Foreground Background Separation of
Document Images [5.279475826661642]
このようなアルゴリズムにおける分類の信頼性スコアを計算するための新しい手法を提案する。
提案手法の計算複雑性は、基礎となる二項化アルゴリズムと同じである。
論文 参考訳（メタデータ） (2022-04-03T18:22:11Z) - Single Image Object Counting and Localizing using Active-Learning [4.56877715768796]
単一画像シナリオにおける反復オブジェクトのカウントとローカライズのための新しい手法を提案する。
本手法は,少数のアクティブ・ラーニング・イテレーションにおいて,入力画像から注意深く収集したラベルの小さなセットに対してCNNを訓練する。
既存のユーザ支援カウント法と比較すると,ユーザマウスのクリック数,ランニングタイムの計測と位置決めの精度の観点から,能動的学習が最先端のパフォーマンスを達成している。
論文 参考訳（メタデータ） (2021-11-16T11:29:21Z) - You Better Look Twice: a new perspective for designing accurate
detectors with reduced computations [56.34005280792013]
BLT-netは、新しい低計算の2段階オブジェクト検出アーキテクチャである。
非常にエレガントな第1ステージを使用して、オブジェクトをバックグラウンドから分離することで、計算を削減します。
結果のイメージ提案は、高度に正確なモデルによって第2段階で処理される。
論文 参考訳（メタデータ） (2021-07-21T12:39:51Z) - Scale Normalized Image Pyramids with AutoFocus for Object Detection [75.71320993452372]
スケール正規化画像ピラミッド(SNIP)が生成され、人間の視覚と同様に、異なるスケールで固定されたサイズ範囲内のオブジェクトにのみ参加する。
本研究では,オブジェクトを含む可能性のある固定サイズのサブリージョンのみで動作する,効率的な空間サブサンプリング手法を提案する。
結果のアルゴリズムはAutoFocusと呼ばれ、SNIPを使用する場合の推論では2.5～5倍のスピードアップとなる。
論文 参考訳（メタデータ） (2021-02-10T18:57:53Z) - Multiscale Score Matching for Out-of-Distribution Detection [19.61640396236456]
本稿では,複数の雑音尺度におけるスコア推定のノルムを利用して,分布外画像(OOD)の検出手法を提案する。
我々の方法論は完全に教師なしであり、まっすぐな前向きのトレーニングスキームに従っています。
論文 参考訳（メタデータ） (2020-10-25T15:10:31Z) - Automatic Radish Wilt Detection Using Image Processing Based Techniques
and Machine Learning Algorithm [3.4392739159262145]
本研究では,ラディッシュ作物のフッ化物検出のためのセグメンテーション法と抽出法を提案する。
最近のワイト検出アルゴリズムは、画像処理技術または従来の機械学習アルゴリズムに基づいている。
提案手法は,画像処理と機械学習を組み合わせたハイブリッドアルゴリズムに基づいている。
論文 参考訳（メタデータ） (2020-09-01T01:37:01Z) - A Self-Training Approach for Point-Supervised Object Detection and
Counting in Crowds [54.73161039445703]
本稿では,ポイントレベルのアノテーションのみを用いて訓練された典型的なオブジェクト検出を可能にする,新たな自己学習手法を提案する。
トレーニング中、利用可能なポイントアノテーションを使用して、オブジェクトの中心点の推定を監督する。
実験の結果,本手法は検出タスクとカウントタスクの両方において,最先端のポイント管理手法よりも有意に優れていた。
論文 参考訳（メタデータ） (2020-07-25T02:14:42Z) - Distilling Localization for Self-Supervised Representation Learning [82.79808902674282]
コントラスト学習は教師なし表現学習に革命をもたらした。
現在のコントラストモデルでは、前景オブジェクトのローカライズには効果がない。
本稿では,背景変化を学習するためのデータ駆動型手法を提案する。
論文 参考訳（メタデータ） (2020-04-14T16:29:42Z)
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。