論文の概要: Planogram Compliance Control via Object Detection, Sequence Alignment,
and Focused Iterative Search
- arxiv url: http://arxiv.org/abs/2212.01004v1
- Date: Fri, 2 Dec 2022 07:10:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 16:48:26.786619
- Title: Planogram Compliance Control via Object Detection, Sequence Alignment,
and Focused Iterative Search
- Title（参考訳）: オブジェクト検出、シーケンスアライメント、フォーカスされた反復探索による平面コンプライアンス制御
- Authors: M. Erkin Y\"ucel and Cem \"Unsalan
- Abstract要約: 提案手法は,オブジェクト検出,計画図コンプライアンス制御,集中的かつ反復的な探索手順に基づく。
これらの結果をもとに,提案手法の長所と短所を要約した。
- 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: Smart retail stores are becoming the fact of our lives. Several computer
vision and sensor based systems are working together to achieve such a complex
and automated operation. Besides, the retail sector already has several open
and challenging problems which can be solved with the help of pattern
recognition and computer vision methods. One important problem to be tackled is
the planogram compliance control. In this study, we propose a novel method to
solve it. The proposed method is based on object detection, planogram
compliance control, and focused and iterative search steps. The object
detection step is formed by local feature extraction and implicit shape model
formation. The planogram compliance control step is formed by sequence
alignment via the modified Needleman-Wunsch algorithm. The focused and
iterative search step aims to improve the performance of the object detection
and planogram compliance control steps. We tested all three steps on two
different datasets. Based on these tests, we summarize the key findings as well
as strengths and weaknesses of the proposed method.
- Abstract（参考訳）: スマート小売店舗は私たちの生活の現実になりつつある。
いくつかのコンピュータビジョンとセンサーベースのシステムは、そのような複雑で自動化された操作を実現するために協力している。
さらに、小売業界には、パターン認識とコンピュータビジョン手法の助けを借りて解決できる、オープンで困難な問題がいくつかある。
対処すべき重要な問題は、計画図コンプライアンス制御である。
本研究では,新しい解法を提案する。
提案手法は,オブジェクト検出,計画図コンプライアンス制御,集中的かつ反復的な探索手順に基づく。
物体検出ステップは、局所特徴抽出および暗黙の形状モデル形成により形成される。
計画図コンプライアンス制御ステップは、修正されたニードルマン・ウォンシュアルゴリズムを介してシーケンスアライメントによって形成される。
集中的で反復的な検索ステップは、オブジェクト検出とプラングラムコンプライアンス制御ステップのパフォーマンスを改善することを目的としている。
2つの異なるデータセットで3つのステップをすべてテストしました。
これらの結果をもとに,提案手法の長所と短所を要約した。
関連論文リスト
- Stable Object Placement Planning From Contact Point Robustness [12.575068666209832]
我々のプランナーはまず接触点を選択し、次に選択した点をソリケートする配置ポーズを決定する。
本アルゴリズムは, 物体形状, 凸性, 質量密度の均一性に制約を加えることなく, 安定性を考慮した物体配置計画を容易にする。
論文 参考訳（メタデータ） (2024-10-16T12:02:15Z) - UAS-based Automated Structural Inspection Path Planning via Visual Data
Analytics and Optimization [1.1496057626375067]
Unmanned Aerial Systems (UAS) はインフラ検査の分野で大きな注目を集めている。
この点における中核的な問題は、最適な自動飛行経路を選択することである。
本稿では,構造検査の文脈における経路計画問題に対する効果的な定式化について述べる。
論文 参考訳（メタデータ） (2023-12-22T23:07:20Z) - Anomaly Detection via Learning-Based Sequential Controlled Sensing [25.282033825977827]
本稿では,学習に基づく制御センシングによるバイナリプロセス間の異常検出の問題に対処する。
異常を識別するために、意思決定エージェントは、各時点でプロセスのサブセットを観察することができる。
我々の目標は、どの過程を観察するかを動的に決定するシーケンシャルな選択ポリシーを設計することである。
論文 参考訳（メタデータ） (2023-11-30T07:49:33Z) - SalienDet: A Saliency-based Feature Enhancement Algorithm for Object
Detection for Autonomous Driving [160.57870373052577]
未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。
我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。
オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
論文 参考訳（メタデータ） (2023-05-11T16:19:44Z) - 3DMODT: Attention-Guided Affinities for Joint Detection & Tracking in 3D
Point Clouds [95.54285993019843]
本稿では,3次元点雲における複数物体の同時検出と追跡手法を提案する。
本モデルでは,複数のフレームを用いた時間情報を利用してオブジェクトを検出し,一つのネットワーク上で追跡する。
論文 参考訳（メタデータ） (2022-11-01T20:59:38Z) - Continual Object Detection via Prototypical Task Correlation Guided
Gating Mechanism [120.1998866178014]
pRotOtypeal taSk corrElaTion guided gaTingAnism (ROSETTA)による連続物体検出のためのフレキシブルなフレームワークを提案する。
具体的には、統一されたフレームワークはすべてのタスクで共有され、タスク対応ゲートは特定のタスクのサブモデルを自動的に選択するために導入されます。
COCO-VOC、KITTI-Kitchen、VOCのクラスインクリメンタル検出、および4つのタスクの逐次学習の実験により、ROSETTAが最先端のパフォーマンスを得ることが示された。
論文 参考訳（メタデータ） (2022-05-06T07:31:28Z) - C-Planning: An Automatic Curriculum for Learning Goal-Reaching Tasks [133.40619754674066]
ゴール条件強化学習は、ナビゲーションや操作を含む幅広い領域のタスクを解決できる。
本研究では,学習時間における探索を用いて,中間状態を自動生成する遠隔目標獲得タスクを提案する。
E-stepはグラフ検索を用いて最適な経路点列を計画することに対応し、M-stepはそれらの経路点に到達するための目標条件付きポリシーを学習することを目的としている。
論文 参考訳（メタデータ） (2021-10-22T22:05:31Z) - Self-Supervised Object Detection via Generative Image Synthesis [106.65384648377349]
本稿では,自己教師対象検出のための制御可能なGANを用いたエンドツーエンド分析合成フレームワークを提案する。
オブジェクトの合成と検出を学習するために、ボックスアノテーションを使用せずに、実世界のイメージのコレクションを使用します。
我々の研究は、制御可能なGAN画像合成という新しいパラダイムを導入することで、自己教師対象検出の分野を前進させる。
論文 参考訳（メタデータ） (2021-10-19T11:04:05Z) - Hierarchical Policy for Non-prehensile Multi-object Rearrangement with
Deep Reinforcement Learning and Monte Carlo Tree Search [30.31462739429364]
本稿では,非包括的多目的再構成のための分割と征服のための階層的ポリシーを提案する。
高レベルポリシーでは、モンテカルロ木探索は複数のオブジェクト間の最適な再配置シーケンスを効率的に探索する。
低レベルポリシーでは、ロボットは経路プリミティブの順序に従って経路を計画し、目標に1つずつ近づくためにオブジェクトを操作する。
論文 参考訳（メタデータ） (2021-09-18T17:24:37Z) - A two-stage data association approach for 3D Multi-object Tracking [0.0]
画像に基づくトラッキングを3D環境に適応させる2段階データアソシエーション手法を開発した。
提案手法は,NuScenes 検証セットにおいて0.587 AMOTA を達成し,データアソシエーションのための一段二部マッチングを用いてベースラインより優れる。
論文 参考訳（メタデータ） (2021-01-21T15:50:17Z) - Dense Scene Multiple Object Tracking with Box-Plane Matching [73.54369833671772]
マルチオブジェクトトラッキング(MOT)はコンピュータビジョンにおいて重要なタスクである。
密集したシーンにおけるMOT性能を改善するために,Box-Plane Matching (BPM)法を提案する。
3つのモジュールの有効性により、ACM MM Grand Challenge HiEve 2020において、私たちのチームはトラック1のリーダーボードで1位を獲得しました。
論文 参考訳（メタデータ） (2020-07-30T16:39:22Z)
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。