論文の概要: Towards Multidimensional Textural Perception and Classification Through Whisker

• arxiv url: http://arxiv.org/abs/2209.03750v1
• Date: Thu, 1 Sep 2022 11:14:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-11 13:02:44.957321
• Title: Towards Multidimensional Textural Perception and Classification Through Whisker
• Title（参考訳）: ウィスカを用いた多次元テキスト知覚と分類
• Authors: Prasanna Kumar Routray, Aditya Sanjiv Kanade, Pauline Pounds, Manivannan Muniyandi
• Abstract要約: ウィスカーベースの多次元表面テクスチャデータが欠落している。 多次元テクスチャ情報を取得するための新しいセンサ設計を提案する。 センサは、粗さが2.5mu m$以下のテクスチャを90%以上の精度で分類できることを実験的に検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Texture-based studies and designs have been in focus recently. Whisker-based multidimensional surface texture data is missing in the literature. This data is critical for robotics and machine perception algorithms in the classification and regression of textural surfaces. In this study, we present a novel sensor design to acquire multidimensional texture information. The surface texture's roughness and hardness were measured experimentally using sweeping and dabbing. Three machine learning models (SVM, RF, and MLP) showed excellent classification accuracy for the roughness and hardness of surface textures. We show that the combination of pressure and accelerometer data, collected from a standard machined specimen using the whisker sensor, improves classification accuracy. Further, we experimentally validate that the sensor can classify texture with roughness depths as low as $2.5\mu m$ at an accuracy of $90\%$ or more and segregate materials based on their roughness and hardness. We present a novel metric to consider while designing a whisker sensor to guarantee the quality of texture data acquisition beforehand. The machine learning model performance was validated against the data collected from the laser sensor from the same set of surface textures. As part of our work, we are releasing two-dimensional texture data: roughness and hardness to the research community.
• Abstract（参考訳）: テクスチャベースの研究とデザインが最近注目されている。 ウィスカーベースの多次元表面テクスチャデータが欠落している。 このデータは、テクスチャ面の分類と回帰において、ロボット工学および機械知覚アルゴリズムにとって重要である。 本研究では,多次元テクスチャ情報を取得するためのセンサ設計を提案する。 表面の粗さと硬さをスイーピングとダビングを用いて実験的に測定した。 3つの機械学習モデル (SVM, RF, MLP) は表面テクスチャの粗さと硬さに優れた分類精度を示した。 ウイスキーセンサを用いた標準機械標本から収集した圧力と加速度計データの組み合わせにより,分類精度が向上することを示す。 さらに, このセンサは, 粗さ深度が2.5\mu m$以下のテクスチャを90\%以上の精度で分類し, 粗さと硬さに基づいて材料を分離できることを実験的に検証した。 本稿では,テクスチャデータ取得の質を事前に保証するために,ウイスキーセンサを設計しながら考慮すべき新しい指標を提案する。 同じ表面テクスチャ集合からレーザセンサから収集したデータに対して,機械学習モデルの性能を検証した。 私たちの研究の一環として,2次元テクスチャデータ – 粗さと硬さ – を研究コミュニティに公開しています。

関連論文リスト

• TEXGen: a Generative Diffusion Model for Mesh Textures [63.43159148394021]
  我々は、UVテクスチャ空間自体における学習の根本的な問題に焦点を当てる。 本稿では,点クラウド上にアテンション層を持つUVマップ上の畳み込みをインターリーブするスケーラブルなネットワークアーキテクチャを提案する。 テキストプロンプトとシングルビュー画像によって導かれるUVテクスチャマップを生成する7億のパラメータ拡散モデルを訓練する。
  論文  参考訳（メタデータ） (2024-11-22T05:22:11Z)
• Stochastic Geometry Models for Texture Synthesis of Machined Metallic Surfaces: Sandblasting and Milling [0.7673339435080445]
  視覚面検査システムのためのトレーニング欠陥検出アルゴリズムには,大規模かつ代表的なトレーニングデータが必要である。 テクスチャ合成モデルを用いて微小な表面トポグラフィーをモデル化するデジタルツインが必要である。
  論文  参考訳（メタデータ） (2024-03-20T09:27:49Z)
• TextureDreamer: Image-guided Texture Synthesis through Geometry-aware Diffusion [64.49276500129092]
  TextureDreamerは画像誘導型テクスチャ合成法である。 少数の入力画像から任意のカテゴリでターゲットの3D形状に光沢のあるテクスチャを転送することができる。
  論文  参考訳（メタデータ） (2024-01-17T18:55:49Z)
• PaintHuman: Towards High-fidelity Text-to-3D Human Texturing via Denoised Score Distillation [89.09455618184239]
  テキスト・ツー・3D世代における最近の進歩は画期的なものである。 そこで我々はPaintHumanというモデルを提案し,その課題を2つの側面から解決する。 奥行きマップを手引きとして,現実的なセマンティックなテクスチャの整合性を保証する。
  論文  参考訳（メタデータ） (2023-10-14T00:37:16Z)
• On the Importance of Accurate Geometry Data for Dense 3D Vision Tasks [61.74608497496841]
  不正確または破損したデータのトレーニングは、モデルバイアスとハマーズ一般化能力を誘導する。 本稿では,深度推定と再構成における高密度3次元視覚課題に対するセンサ誤差の影響について検討する。
  論文  参考訳（メタデータ） (2023-03-26T22:32:44Z)
• Development and Evaluation of a Learning-based Model for Real-time Haptic Texture Rendering [23.078251379039987]
  触覚テクスチャレンダリングのための学習に基づく行動条件モデルを提案する。 提案手法は,最先端手法に匹敵する,あるいは高品質な高周波数テクスチャレンダリングを実現する。
  論文  参考訳（メタデータ） (2022-12-27T01:06:26Z)
• Learning to Simulate Realistic LiDARs [66.7519667383175]
  リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。 本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。 我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
  論文  参考訳（メタデータ） (2022-09-22T13:12:54Z)
• VisTaNet: Attention Guided Deep Fusion for Surface Roughness Classification [0.0]
  本稿では,既存の触覚データセットを付加した視覚データセットを提案する。 4種類の融合戦略を用いて視覚・触覚データを融合する新しい深層融合アーキテクチャを提案する。 本モデルでは触覚のみに比べて表面粗さ分類精度が97.22%向上した。
  論文  参考訳（メタデータ） (2022-09-18T09:37:06Z)
• Deep Texture-Aware Features for Camouflaged Object Detection [69.84122372541506]
  本稿では, テクスチャ認識モジュールを定式化し, 深層畳み込みニューラルネットワークにおけるテクスチャ認識の特徴を学習する。 我々は,キャモフラージュされた物体検出のためのベンチマークデータセット上で,定性的かつ定量的にネットワークを評価した。
  論文  参考訳（メタデータ） (2021-02-05T04:38:32Z)
• Spatio-temporal Attention Model for Tactile Texture Recognition [25.06942319117782]
  触覚テクスチャ認識のための新しい時空間注意モデル(STAM)を提案する。 提案したSTAMは,それぞれの触覚テクスチャの空間的焦点と触覚シーケンスの時間的相関の両方に注意を払っている。 100種類の異なる布のテクスチャを識別する実験では,空間的,時間的に選択的な注意が認識精度を大幅に向上させた。
  論文  参考訳（メタデータ） (2020-08-10T22:32:34Z)
• Fabric Surface Characterization: Assessment of Deep Learning-based Texture Representations Using a Challenging Dataset [12.747154890227721]
  我々は、大規模で挑戦的な顕微鏡材料表面データセット(CoMMonS)を導入する。 次に,CoMMonSを用いたテクスチャ分類のための最先端深層学習手法の総合評価を行う。 以上の結果から,Multerは材料評価のためのCoMMonSデータセットだけでなく,MINC-2500やGTOS-mobileなどの既存のデータセットにも高い精度が得られることがわかった。
  論文  参考訳（メタデータ） (2020-03-16T05:37:06Z)

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。