論文の概要: 3D Reconstruction using Structured Light from off-the-shelf components
- arxiv url: http://arxiv.org/abs/2209.12101v1
- Date: Sat, 24 Sep 2022 22:53:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 17:36:37.158229
- Title: 3D Reconstruction using Structured Light from off-the-shelf components
- Title(参考訳): 市販部品からの構造光を用いた3次元再構成
- Authors: Aman Gajendra Jain, Dr. Shital Chiddarwar
- Abstract要約: 3Dスキャン技術の出現により、生成された点雲の精度と密度が引き継がれた。
このプロジェクトでは、3Dスキャンソフトウェアで使用できる異なるアルゴリズムを比較するだけでなく、カメラやプロジェクターのような市販のコンポーネントから独自の3Dスキャナを作成する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: The coordinate measuring machine(CMM) has been the benchmark of accuracy in
measuring solid objects from nearly past 50 years or more. However with the
advent of 3D scanning technology, the accuracy and the density of point cloud
generated has taken over. In this project we not only compare the different
algorithms that can be used in a 3D scanning software, but also create our own
3D scanner from off-the-shelf components like camera and projector. Our
objective has been : 1. To develop a prototype for 3D scanner to achieve a
system that performs at optimal accuracy over a wide typology of objects. 2. To
minimise the cost using off-the-shelf components. 3. To reach very close to the
accuracy of CMM.
- Abstract(参考訳): 座標測定装置(CMM)は、過去50年以上の固体の計測における精度のベンチマークである。
しかし、3Dスキャン技術の出現により、生成された点雲の精度と密度が引き継がれた。
このプロジェクトでは、3dスキャンソフトウェアで使用できるさまざまなアルゴリズムを比較するだけでなく、カメラやプロジェクターといった市販コンポーネントから独自の3dスキャナーを作成します。
私たちの目標は
1)3Dスキャナーのプロトタイプを開発し,対象物に対して最適な精度で動作させるシステムを実現する。
2.既製部品の使用コストを最小化する。
3. CMMの精度に非常に近いものにすること。
関連論文リスト
- CoL3D: Collaborative Learning of Single-view Depth and Camera Intrinsics for Metric 3D Shape Recovery [31.398410174061166]
本研究では,1枚の画像から3次元形状を学習するために,CoL3Dと呼ばれる奥行きとカメラの内在性を推定するための協調学習フレームワークを提案する。
具体的には、CoL3Dは統合ネットワークを採用し、ディープ、カメラ固有の3Dポイントクラウドという3つのレベルで協調最適化を行う。
論文 参考訳(メタデータ) (2025-02-13T02:36:01Z) - LLMI3D: MLLM-based 3D Perception from a Single 2D Image [77.13869413871028]
マルチモーダルな大言語モデル(MLLM)は、一般的な能力では優れているが、3Dタスクでは性能が劣る。
本稿では,3次元局所空間物体認識の弱さ,テキストに基づく幾何学的数値出力の低さ,カメラ焦点変動の処理能力の低下に対する解決策を提案する。
我々は,事前学習したMLLMに対してパラメータ効率の良い微調整を採用し,強力な3次元知覚MLLMであるLLMI3Dを開発した。
論文 参考訳(メタデータ) (2024-08-14T10:00:16Z) - Sparse Points to Dense Clouds: Enhancing 3D Detection with Limited LiDAR Data [68.18735997052265]
単分子と点雲に基づく3次元検出の利点を組み合わせたバランスの取れたアプローチを提案する。
本手法では,低コストで低解像度のセンサから得られる3Dポイントを少数必要としている。
3次元検出の精度は最先端の単分子検出法と比較して20%向上する。
論文 参考訳(メタデータ) (2024-04-10T03:54:53Z) - LookUp3D: Data-Driven 3D Scanning [11.488384088082856]
構造光走査のための新しい校正法と再構成法を提案する。
鍵となるアイデアは、キャリブレーションチェッカーボードをリニアステージでスキャンボリューム全体にわたって掃除することだ。
キャリブレーションデータには、セットアップ、レンズの歪み、センサーの欠陥が組み込まれており、より信頼性が高く正確な再構築がなされている。
論文 参考訳(メタデータ) (2024-04-05T07:08:20Z) - 3D Small Object Detection with Dynamic Spatial Pruning [62.72638845817799]
本稿では,3次元小物体検出のための効率的な特徴解析手法を提案する。
空間分解能の高いDSPDet3Dというマルチレベル3次元検出器を提案する。
ほぼ全ての物体を検知しながら、4500k以上のポイントからなる建物全体を直接処理するには2秒もかからない。
論文 参考訳(メタデータ) (2023-05-05T17:57:04Z) - Homography Loss for Monocular 3D Object Detection [54.04870007473932]
ホログラフィーロス(Homography Loss)と呼ばれる,2次元情報と3次元情報の両方を利用する識別可能なロス関数を提案する。
提案手法は,KITTI 3Dデータセットにおいて,他の最先端技術と比較して高い性能を示す。
論文 参考訳(メタデータ) (2022-04-02T03:48:03Z) - DeepFusionMOT: A 3D Multi-Object Tracking Framework Based on
Camera-LiDAR Fusion with Deep Association [8.34219107351442]
本稿では,精度と速度の良好なトレードオフを実現するために,カメラ-LiDAR融合型MOT法を提案する。
提案手法は、追跡精度と処理速度の両方の観点から、最先端MOT法に対して明らかな利点を示す。
論文 参考訳(メタデータ) (2022-02-24T13:36:29Z) - SM3D: Simultaneous Monocular Mapping and 3D Detection [1.2183405753834562]
本稿では,同時マッピングと3次元検出のための,革新的で効率的なマルチタスク深層学習フレームワーク(SM3D)を提案する。
両モジュールのエンドツーエンドのトレーニングにより、提案したマッピングと3D検出は、最先端のベースラインを10.0%、精度13.2%で上回っている。
我々の単分子マルチタスクSM3Dは純粋なステレオ3D検出器の2倍以上の速度で、2つのモジュールを別々に使用するより18.3%速い。
論文 参考訳(メタデータ) (2021-11-24T17:23:37Z) - PLUME: Efficient 3D Object Detection from Stereo Images [95.31278688164646]
既存の手法では、2つのステップでこの問題に対処する: 第一深度推定を行い、その深さ推定から擬似LiDAR点雲表現を計算し、3次元空間で物体検出を行う。
この2つのタスクを同一のメトリック空間で統一するモデルを提案する。
提案手法は,既存の手法と比較して推定時間を大幅に削減し,挑戦的なKITTIベンチマークの最先端性能を実現する。
論文 参考訳(メタデータ) (2021-01-17T05:11:38Z) - Deep Continuous Fusion for Multi-Sensor 3D Object Detection [103.5060007382646]
本稿では,LIDARとカメラを併用して高精度な位置検出を実現する3Dオブジェクト検出器を提案する。
我々は,連続畳み込みを利用して画像とlidar特徴マップを異なるレベルの解像度で融合する,エンドツーエンド学習可能なアーキテクチャを設計した。
論文 参考訳(メタデータ) (2020-12-20T18:43:41Z)
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。