論文の概要: Optimizing Fiducial Marker Placement for Improved Visual Localization

• arxiv url: http://arxiv.org/abs/2211.01513v1
• Date: Wed, 2 Nov 2022 23:18:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-04 14:02:52.320305
• Title: Optimizing Fiducial Marker Placement for Improved Visual Localization
• Title（参考訳）: 視覚定位改善のためのfiducial markerの配置最適化
• Authors: Qiangqiang Huang, Joseph DeGol, Victor Fragoso, Sudipta N. Sinha, John J. Leonard
• Abstract要約: 本稿では,シーン内のマーカーの自動配置の問題について考察する。 我々は、視覚的位置決めの精度を向上させるために、シーン内の最適化マーカー位置を計算する。 我々は,カメラのローカライザビリティ・フレームワークをベースとした,グレディなアルゴリズムである最適化マーカー配置(OMP)を提案する。
• 参考スコア（独自算出の注目度）: 24.614588477086503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adding fiducial markers to a scene is a well-known strategy for making visual localization algorithms more robust. Traditionally, these marker locations are selected by humans who are familiar with visual localization techniques. This paper explores the problem of automatic marker placement within a scene. Specifically, given a predetermined set of markers and a scene model, we compute optimized marker positions within the scene that can improve accuracy in visual localization. Our main contribution is a novel framework for modeling camera localizability that incorporates both natural scene features and artificial fiducial markers added to the scene. We present optimized marker placement (OMP), a greedy algorithm that is based on the camera localizability framework. We have also designed a simulation framework for testing marker placement algorithms on 3D models and images generated from synthetic scenes. We have evaluated OMP within this testbed and demonstrate an improvement in the localization rate by up to 20 percent on three different scenes.
• Abstract（参考訳）: シーンにfiducial markerを追加することは、視覚的ローカライゼーションアルゴリズムをより堅牢にするためのよく知られた戦略である。 伝統的に、これらのマーカーの位置は視覚局在技術に精通した人間によって選択される。 本稿では,シーン内のマーカーの自動配置の問題について考察する。 具体的には、所定のマーカーセットとシーンモデルから、シーン内の最適化マーカー位置を計算し、視覚的位置決めの精度を向上させる。 我々の主な貢献は、シーンに付加された自然なシーン特徴と人工的画像マーカーの両方を組み込んだカメラローカライズビリティのモデリングフレームワークである。 我々は,カメラのローカライザビリティ・フレームワークをベースとしたグレディアルゴリズムである最適化マーカー配置(OMP)を提案する。 また,合成シーンから生成された3次元モデルおよび画像上でマーカー配置アルゴリズムをテストするためのシミュレーションフレームワークを設計した。 我々は,テストベッド内でOMPを評価し,3つの異なる場面で最大20%のローカライゼーション率の向上を実証した。

関連論文リスト

• Leveraging Spatial Attention and Edge Context for Optimized Feature Selection in Visual Localization [0.0]
  画像の情報領域を選択的にターゲットするアテンションネットワークを導入する。 このネットワークを用いて、特徴選択プロセスを改善し、エッジ検出と組み合わせることで、最高の特徴を識別する。 提案手法を屋外ベンチマークデータセットで検証し,従来の手法と比較して優れた結果を示した。
  論文  参考訳（メタデータ） (2024-10-16T05:00:51Z)
• SplatLoc: 3D Gaussian Splatting-based Visual Localization for Augmented Reality [50.179377002092416]
  より少ないパラメータで高品質なレンダリングが可能な効率的なビジュアルローカライズ手法を提案する。 提案手法は,最先端の暗黙的視覚的ローカライゼーションアプローチに対して,より優れた,あるいは同等なレンダリングとローカライゼーション性能を実現する。
  論文  参考訳（メタデータ） (2024-09-21T08:46:16Z)
• FaVoR: Features via Voxel Rendering for Camera Relocalization [23.7893950095252]
  カメラ再ローカライズ手法は、高密度画像アライメントから、クエリ画像からの直接カメラポーズ回帰まで様々である。 本稿では,世界規模で疎密だが局所的に密集した2次元特徴の3次元表現を活用する新しい手法を提案する。 一連のフレーム上でのランドマークの追跡と三角測量により、追跡中に観察された画像パッチ記述子をレンダリングするために最適化されたスパースボクセルマップを構築する。
  論文  参考訳（メタデータ） (2024-09-11T18:58:16Z)
• FocusTune: Tuning Visual Localization through Focus-Guided Sampling [61.79440120153917]
  FocusTuneは、視覚的ローカライゼーションアルゴリズムの性能を改善するための焦点誘導サンプリング技術である。 ACEの魅力ある低ストレージと計算要求を維持しながら、FocusTuneは最先端のパフォーマンスを改善したり、一致させたりします。 ハイパフォーマンスとローコンピュートとストレージの要件の組み合わせは、特にモバイルロボティクスや拡張現実といった分野のアプリケーションには有望だ。
  論文  参考訳（メタデータ） (2023-11-06T04:58:47Z)
• Visual Localization via Few-Shot Scene Region Classification [84.34083435501094]
  ビジュアル(再)ローカライゼーションは、既知のシーンでキャプチャされたクエリイメージの6-DoFカメラのポーズを推定する問題に対処する。 画像画素からシーン座標へのマッピングを記憶することで,この問題を解決する。 シーン領域の分類手法を提案する。
  論文  参考訳（メタデータ） (2022-08-14T22:39:02Z)
• MeshLoc: Mesh-Based Visual Localization [54.731309449883284]
  シーン表現を構築するために,データベースイメージ間のマッチング機能を必要としない,高密度な3Dメッシュに基づく,より柔軟な代替手段を模索する。 驚くべきことに、ニューラルネットワークのレンダリングステージなしで、これらのメッシュのレンダリングの特徴を抽出するときに、競合的な結果が得られる。 以上の結果から,高密度な3次元モデルに基づく表現は,既存の表現の代替として有望なものであり,今後の研究にとって興味深い,挑戦的な方向性を示すものと考えられる。
  論文  参考訳（メタデータ） (2022-07-21T21:21:10Z)
• CPO: Change Robust Panorama to Point Cloud Localization [20.567452635590946]
  CPOは2次元パノラマを局所化するロバストなアルゴリズムである。 CPOは軽量で、すべてのテストシナリオで効果的なローカライゼーションを実現する。
  論文  参考訳（メタデータ） (2022-07-12T05:10:32Z)
• VS-Net: Voting with Segmentation for Visual Localization [72.8165619061249]
  本稿では,クエリ画像と3Dマップ間の2次元から3次元の対応を学習可能なシーン固有のランドマークで構築する,新しい視覚的ローカライゼーションフレームワークを提案する。 提案したVS-Netは、複数の公開ベンチマークで広範囲にテストされており、最先端のビジュアルローカライゼーション手法より優れている。
  論文  参考訳（メタデータ） (2021-05-23T08:44:11Z)
• Soft Expectation and Deep Maximization for Image Feature Detection [68.8204255655161]
  質問をひっくり返し、まず繰り返し可能な3Dポイントを探し、次に検出器を訓練して画像空間にローカライズする、反復的半教師付き学習プロセスSEDMを提案する。 以上の結果から,sdmを用いてトレーニングした新しいモデルでは,シーン内の下位3dポイントのローカライズが容易になった。
  論文  参考訳（メタデータ） (2021-04-21T00:35:32Z)

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。