Fugu-MT 論文翻訳(概要): Finding Point with Image: An End-to-End Benchmark for Vision-based UAV Localization

論文の概要: Finding Point with Image: An End-to-End Benchmark for Vision-based UAV Localization

arxiv url: http://arxiv.org/abs/2208.06561v1
Date: Sat, 13 Aug 2022 03:25:50 GMT
ステータス: 処理完了
システム内更新日: 2022-08-16 13:46:40.731817
Title: Finding Point with Image: An End-to-End Benchmark for Vision-based UAV Localization
Title（参考訳）: 画像によるポイント発見:視覚に基づくUAVローカライゼーションのためのエンドツーエンドベンチマーク
Authors: Ming Dai, Jiahao Chen, Yusheng Lu, Wenlong Hao, Enhui Zheng
Abstract要約: 過去には、画像検索がクロスビュー測位とUAV視像定位タスクの主流のソリューションであった。我々は、ソースBの画像(衛星ビュー)の対応する位置を、ソースAの画像(ドローンビュー)を通して直接見つけることを目的とした、画像付きポイント(FPI)のエンドツーエンド位置決め方式を提案する。
参考スコア（独自算出の注目度）: 4.462334751640166
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In the past, image retrieval was the mainstream solution for cross-view geolocation and UAV visual localization tasks. In a nutshell, the way of image retrieval is to obtain the final required information, such as GPS, through a transitional perspective. However, the way of image retrieval is not completely end-to-end. And there are some redundant operations such as the need to prepare the feature library in advance, and the sampling interval problem of the gallery construction, which make it difficult to implement large-scale applications. In this article we propose an end-to-end positioning scheme, Finding Point with Image (FPI), which aims to directly find the corresponding location in the image of source B (satellite-view) through the image of source A (drone-view). To verify the feasibility of our framework, we construct a new dataset (UL14), which is designed to solve the UAV visual self-localization task. At the same time, we also build a transformer-based baseline to achieve end-to-end training. In addition, the previous evaluation methods are no longer applicable under the framework of FPI. Thus, Metre-level Accuracy (MA) and Relative Distance Score (RDS) are proposed to evaluate the accuracy of UAV localization. At the same time, we preliminarily compare FPI and image retrieval method, and the structure of FPI achieves better performance in both speed and efficiency. In particular, the task of FPI remains great challenges due to the large differences between different views and the drastic spatial scale transformation.
Abstract（参考訳）: 過去には、画像検索がクロスビュー測位とUAV視像定位タスクの主流のソリューションであった。簡単に言えば、画像検索の方法は、トランジショナルな視点でGPSのような最終的な必要な情報を取得することである。しかし、画像検索は完全にエンドツーエンドではない。また,事前に機能ライブラリを準備する必要があること,ギャラリー構築のサンプリング間隔の問題など,大規模アプリケーションの実装が困難になるような冗長な操作もいくつかある。本稿では、ソースBの画像(衛星ビュー)の対応する位置を、ソースAの画像(ドローンビュー)を介して直接見つけることを目的とした、画像付きポイント(FPI)のエンドツーエンド位置決め方式を提案する。フレームワークの実現可能性を検証するため,UAV視覚自己ローカライゼーションタスクを解決するために,新しいデータセット(UL14)を構築した。同時に、エンドツーエンドのトレーニングを実現するためのトランスフォーマーベースのベースラインも構築しています。さらに、従来の評価手法はFPIの枠組みではもはや適用されない。したがって、UAVの精度を評価するために、メートルレベル精度(MA)と相対距離スコア(RDS)を提案する。同時に、FPIと画像検索法を予備的に比較し、FPIの構造は、速度と効率の両方で優れた性能を実現する。特にfpiの課題は、異なる視点と劇的な空間スケール変換の間に大きな違いがあるため、大きな課題のままである。

関連論文リスト

Fast-Convergent and Communication-Alleviated Heterogeneous Hierarchical Federated Learning in Autonomous Driving [29.646749372031593]
ストリートシーンのセマンティック理解(TriSU)は、自動運転(AD)の複雑なタスクである特定の地理的領域のデータからトレーニングされた推論モデルは、都市間データドメインシフトによって他の領域に適用された場合、一般化が不十分である。 Hierarchical Federated Learning (HFL)は、異なる都市の分散データセット上での協調的なプライバシ保存トレーニングによって、TriSUモデルの一般化を改善する潜在的なソリューションを提供する。
論文参考訳（メタデータ） (2024-09-29T05:27:40Z)
DANCE: Dual-View Distribution Alignment for Dataset Condensation [39.08022095906364]
我々は、データセットのコンディエンテーション(DANCE)のためのDMベースの新しいDual-view Distribution AligNmentを提案する。具体的には、内部クラスの観点から複数の「中間エンコーダ」を構築し、擬似的な長期分布アライメントを行う。クラス間の観点からは,分布キャリブレーションを行うために専門家モデルを用いる。
論文参考訳（メタデータ） (2024-06-03T07:22:17Z)
Improved Distribution Matching for Dataset Condensation [91.55972945798531]
本稿では,分布マッチングに基づく新しいデータセット凝縮法を提案する。提案手法は,計算資源の少ない従来の最適化指向手法よりも優れている。
論文参考訳（メタデータ） (2023-07-19T04:07:33Z)
Learning Better with Less: Effective Augmentation for Sample-Efficient Visual Reinforcement Learning [57.83232242068982]
データ拡張(DA)は、ビジュアル強化学習(RL)アルゴリズムのサンプル効率を高める重要な手法である。サンプル効率のよい視覚的RLを実現する上で, DAのどの属性が有効かは明らかになっていない。本研究は,DAの属性が有効性に与える影響を評価するための総合的な実験を行う。
論文参考訳（メタデータ） (2023-05-25T15:46:20Z)
Train a Real-world Local Path Planner in One Hour via Partially Decoupled Reinforcement Learning and Vectorized Diversity [8.068886870457561]
深層強化学習(DRL)は局所経路計画(LPP)問題の解決に有効である。実世界におけるそのような応用は、DRLの訓練効率と一般化能力の不足により、非常に制限されている。アクター・シャーラーラーナー(ASL)トレーニングフレームワークと移動ロボット指向シミュレータSparrowで構成されたColorというソリューションが提案されている。
論文参考訳（メタデータ） (2023-05-07T03:39:31Z)
Parallel Augmentation and Dual Enhancement for Occluded Person Re-identification [70.96277129480478]
被占領者の再識別(Re-ID)はここ数十年で多くの注目を集めている。近年のアプローチは、隠蔽データの性能向上に重点を置いている。 PADE(Parallel Augmentation and Dual Enhancement)を用いた簡易かつ効果的な手法を提案する。提案手法の有効性を検証するために, 広く使用されている3つの隠蔽データセットと2つの非隠蔽データセットの実験結果を得た。
論文参考訳（メタデータ） (2022-10-11T13:29:38Z)
Enhancing Generative Networks for Chest Anomaly Localization through Automatic Registration-Based Unpaired-to-Pseudo-Paired Training Data Translation [4.562196564569076]
胸部X線画像(AL-CXR)におけるGAN-ITは異常領域の正確な位置決め法として有望である本稿では,登録とデータ拡張を含む2段階のGAN-ITを提案する。
論文参考訳（メタデータ） (2022-07-21T06:42:12Z)
Federated Offline Reinforcement Learning [55.326673977320574]
マルチサイトマルコフ決定プロセスモデルを提案する。我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
論文参考訳（メタデータ） (2022-06-11T18:03:26Z)
Auto-FedRL: Federated Hyperparameter Optimization for Multi-institutional Medical Image Segmentation [48.821062916381685]
Federated Learning(FL)は、明示的なデータ共有を避けながら協調的なモデルトレーニングを可能にする分散機械学習技術である。本稿では,Auto-FedRLと呼ばれる,効率的な強化学習(RL)に基づくフェデレーションハイパーパラメータ最適化アルゴリズムを提案する。提案手法の有効性は,CIFAR-10データセットと2つの実世界の医用画像セグメンテーションデータセットの不均一なデータ分割に対して検証される。
論文参考訳（メタデータ） (2022-03-12T04:11:42Z)
DecAug: Augmenting HOI Detection via Decomposition [54.65572599920679]
現在のアルゴリズムでは、データセット内のトレーニングサンプルやカテゴリの不均衡が不足している。本稿では,HOI検出のためのDECAugと呼ばれる効率的かつ効率的なデータ拡張手法を提案する。実験の結果,V-COCOおよびHICODETデータセットの3.3mAPと1.6mAPの改善が得られた。
論文参考訳（メタデータ） (2020-10-02T13:59:05Z)

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。