論文の概要: Fiducial Marker Detection in Multi-Viewpoint Point Cloud
- arxiv url: http://arxiv.org/abs/2209.01072v1
- Date: Fri, 2 Sep 2022 14:07:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-05 13:01:45.489854
- Title: Fiducial Marker Detection in Multi-Viewpoint Point Cloud
- Title(参考訳): 多視点点雲におけるfiducial marker detection
- Authors: Yibo Liu, Hunter Schofield, Jinjun Shan
- Abstract要約: 既存のLiDARフィデューシャルマーカーシステムには使用制限がある。
LiDARTagは特定のマーカー配置とインテンシティイメージベースのLiDAR Fiducial Markerを必要とする。
マルチポイント・ポイント・クラウドにおけるフィデューシャル・マーカーを検出する新しいアルゴリズムを開発した。
- 参考スコア(独自算出の注目度): 1.2891210250935146
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The existing LiDAR fiducial marker systems have usage restrictions.
Especially, LiDARTag requires a specific marker placement and Intensity
Image-based LiDAR Fiducial Marker demands that the point cloud is sampled from
one viewpoint. As a result, with point clouds sampled from multiple viewpoints,
fiducial marker detection remains an unsolved problem. In this letter, we
develop a novel algorithm to detect the fiducial markers in the multi-viewpoint
point cloud. The proposed algorithm includes two stages. First, Regions of
Interest (ROIs) detection finds point clusters that could contain fiducial
markers. Specifically, a method extracting the ROIs from the intensity
perspective is introduced on account of the fact that from the spatial
perspective, the markers, which are sheets of paper or thin boards, are
non-distinguishable from the planes to which they are attached. Second, marker
detection verifies if the candidate ROIs contain fiducial markers and outputs
the ID numbers and vertices locations of the markers in the valid ROIs. In
particular, the ROIs are transmitted to a predefined intermediate plane for the
purpose of adopting a spherical projection to generate the intensity image, and
then, marker detection is completed through the intensity image. Qualitative
and quantitative experimental results are provided to validate the proposed
algorithm. The codes and results are available at:
https://github.com/York-SDCNLab/Marker?Detection-General
- Abstract(参考訳): 既存のlidarfiducial markerシステムには使用制限がある。
特に、LiDARTagは特定のマーカー配置とインテンシティイメージベースのLiDAR Fiducial Markerを必要とする。
その結果、複数の視点から点雲がサンプリングされた場合、fiducial marker detectionは未解決の問題である。
本報告では,多視点点群内のfiducial markersを検出する新しいアルゴリズムを開発した。
提案アルゴリズムは2段階を含む。
まず、関心の領域(ROI)検出は、フィデューシャルマーカーを含む可能性のあるポイントクラスタを見つける。
具体的には、空間的な視点から、紙や薄板のシートであるマーカーが取り付けられた平面と区別できないという事実から、強度の観点からROIを抽出する手法を導入する。
第2に、マーカー検出は、候補roisがfiducial markersを含むかどうかを検証し、有効rois内のマーカーのid番号と頂点を出力する。
特に、球面投影を採用して強度画像を生成するために予め定義された中間面にROIを送信し、その強度画像を介してマーカー検出を完了させる。
提案アルゴリズムの有効性を検証するために,定性的かつ定量的な実験結果を提供する。
コードと結果は、https://github.com/York-SDCNLab/Marker?
検出一般
関連論文リスト
- Weakly-Supervised Salient Object Detection Using Point Supervison [17.88596733603456]
現在の最先端の精度検出モデルは、正確なピクセル単位のアノテーションの大規模なデータセットに大きく依存している。
本稿では,ポイント・インスペクタを用いた弱教師付きサルエント・オブジェクト検出手法を提案する。
我々の手法は、より強い監督力で訓練された従来の最先端の手法よりも優れています。
論文 参考訳(メタデータ) (2022-03-22T12:16:05Z) - SparseAlign: A Super-Resolution Algorithm for Automatic Marker
Localization and Deformation Estimation in Cryo-Electron Tomography [0.17398560678845074]
格子フリー超解像法を単一分子局在顕微鏡の文脈で提案した。
提案手法はラベル付きマーカー位置を必要としないが,画像に基づく損失を用いてマーカーの前方投影と観測データとの比較を行う。
提案手法では,マーカーを自動的に検出し,ラベル付きマーカーデータなしで試料変形を確実に推定する。
論文 参考訳(メタデータ) (2022-01-21T14:03:32Z) - Fiducial marker recovery and detection from severely truncated data in
navigation assisted spine surgery [5.731349529280083]
ナビゲーション支援ミニマル侵襲脊椎手術(MISS)で一般的に使用されるフィデューシャルマーカー
実際には、これらのマーカーは、C-arm cone-beam Computed Tomography (CBCT) システムの限られた検出器サイズのため、視野の外に位置する可能性がある。
歪みマーカーからの直接検出(ダイレクトメソッド)とマーカー回復後の検出(リカバリ手法)の2つのファデューシャルマーカー検出手法を提案する。
論文 参考訳(メタデータ) (2021-08-25T13:52:58Z) - DeepTag: A General Framework for Fiducial Marker Design and Detection [1.2180122937388957]
フィデューシャルマーカーの設計と検出のための一般的なディープラーニングベースのフレームワークであるDeepTagを提案する。
DeepTagは、さまざまなマーカーファミリの検出をサポートし、カスタマイズされたローカルパターンで新しいマーカーファミリを設計できるようにする。
実験によると、DeepTagはさまざまなマーカーファミリをうまくサポートしており、検出の堅牢性と精度の両方の観点から既存の手法よりも大幅に優れています。
論文 参考訳(メタデータ) (2021-05-28T10:54:59Z) - Supervision by Registration and Triangulation for Landmark Detection [70.13440728689231]
本稿では,マルチビュー映像を用いた教師なし手法である登録・三角測量(srt)による監視を行い,ランドマーク検出器の精度と精度を向上させる。
ラベルのないデータを活用することで、検出者は大量のラベルのないデータから自由に学べる。
論文 参考訳(メタデータ) (2021-01-25T02:48:21Z) - Unsupervised Object Detection with LiDAR Clues [70.73881791310495]
本稿では,LiDARの手がかりを用いた非教師対象検出のための最初の実用的手法を提案する。
提案手法では,まず3次元点雲に基づく候補オブジェクトセグメントを生成する。
そして、セグメントラベルを割り当て、セグメントラベルネットワークを訓練する反復的なセグメントラベル処理を行う。
ラベル付けプロセスは、長い尾とオープンエンドの分布の問題を軽減するために慎重に設計されている。
論文 参考訳(メタデータ) (2020-11-25T18:59:54Z) - Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
本稿では,分類に基づく比較的研究の少ない方法論について検討する。
我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。
航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
論文 参考訳(メタデータ) (2020-11-19T05:42:02Z) - UC-Net: Uncertainty Inspired RGB-D Saliency Detection via Conditional
Variational Autoencoders [81.5490760424213]
データラベリングプロセスから学習することで、RGB-Dサリエンシ検出に不確実性を利用するための第1のフレームワーク(UCNet)を提案する。
そこで本研究では,サリエンシデータラベリングにヒントを得て,確率的RGB-Dサリエンシ検出ネットワークを提案する。
論文 参考訳(メタデータ) (2020-04-13T04:12:59Z) - Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。
そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。
我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
論文 参考訳(メタデータ) (2020-03-17T12:59:50Z) - On the Arbitrary-Oriented Object Detection: Classification based
Approaches Revisited [94.5455251250471]
まず,既存の回帰型回転検出器が抱える境界問題は,角周期性や角秩序によって引き起こされることを示した。
我々は、角予測タスクを回帰問題から分類問題に変換する。
得られた円形分布角分類問題に対して、まず、角度の周期性に対処し、隣り合う角度に対する誤差耐性を高めるために、円スムースラベル法を考案する。
論文 参考訳(メタデータ) (2020-03-12T03:23:54Z)
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。