論文の概要: A Novel Approach For Generating Customizable Light Field Datasets for Machine Learning

• arxiv url: http://arxiv.org/abs/2212.06701v1
• Date: Tue, 13 Dec 2022 16:16:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-14 14:00:40.463157
• Title: A Novel Approach For Generating Customizable Light Field Datasets for Machine Learning
• Title（参考訳）: 機械学習のためのカスタマイズ可能な光フィールドデータセット生成のための新しいアプローチ
• Authors: Julia Huang, Toure Smith, Aloukika Patro, and Vidhi Chhabra
• Abstract要約: 私たちは、さまざまなアプリケーションに対して大きな可能性を持つ、独自の光フィールドデータセットを作成します。 UnityとC#フレームワークを使用して、大規模でスケーラブルで再現可能な光フィールドデータセットを生成するための新しいアプローチを開発します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To train deep learning models, which often outperform traditional approaches, large datasets of a specified medium, e.g., images, are used in numerous areas. However, for light field-specific machine learning tasks, there is a lack of such available datasets. Therefore, we create our own light field datasets, which have great potential for a variety of applications due to the abundance of information in light fields compared to singular images. Using the Unity and C# frameworks, we develop a novel approach for generating large, scalable, and reproducible light field datasets based on customizable hardware configurations to accelerate light field deep learning research.
• Abstract（参考訳）: 従来のアプローチを上回ることが多いディープラーニングモデルをトレーニングするために、画像など特定の媒体の大規模なデータセットが、多くの領域で使用されている。 しかし、ライトフィールド固有の機械学習タスクでは、利用可能なデータセットが不足している。 そこで我々は,光場における情報量が特異画像に比べて豊富であることから,様々な応用の可能性を持つ光場データセットを作成した。 Unity と C# フレームワークを用いて,カスタマイズ可能なハードウェア構成に基づく大規模でスケーラブルで再現可能な光フィールドデータセットを生成し,光フィールド深層学習研究を加速する手法を開発した。

関連論文リスト

• Enabling High Data Throughput Reinforcement Learning on GPUs: A Domain Agnostic Framework for Data-Driven Scientific Research [90.91438597133211]
  我々は、強化学習の適用において重要なシステムのボトルネックを克服するために設計されたフレームワークであるWarpSciを紹介する。 我々は、CPUとGPU間のデータ転送の必要性を排除し、数千のシミュレーションを同時実行可能にする。
  論文  参考訳（メタデータ） (2024-08-01T21:38:09Z)
• Towards Real-World Focus Stacking with Deep Learning [97.34754533628322]
  焦点ブラケットを用いた94個の高解像度原画像のバーストからなる新しいデータセットを提案する。 このデータセットは、現実世界のアプリケーションに十分な長さのバーストを処理できるフォーカススタックのための最初のディープラーニングアルゴリズムをトレーニングするために使用される。
  論文  参考訳（メタデータ） (2023-11-29T17:49:33Z)
• LEyes: A Lightweight Framework for Deep Learning-Based Eye Tracking using Synthetic Eye Images [9.150553995510217]
  我々は、従来の手法とは異なり、ビデオベースのアイトラッキングに必要な重要な画像のみをモデル化する「ライトアイズ」または「リーズ」というフレームワークを提案する。 我々は、Leyesを用いて訓練されたモデルが、瞳孔やCRの局在の点から他の最先端アルゴリズムよりも一貫して優れていることを実証した。
  論文  参考訳（メタデータ） (2023-09-12T11:08:14Z)
• StableLLaVA: Enhanced Visual Instruction Tuning with Synthesized Image-Dialogue Data [129.92449761766025]
  本稿では,視覚的インストラクションチューニングのための画像と対話を同期的に合成する新しいデータ収集手法を提案する。 このアプローチは生成モデルのパワーを活用し、ChatGPTとテキスト・ツー・イメージ生成モデルの能力とを結合する。 本研究は,各種データセットを対象とした総合的な実験を含む。
  論文  参考訳（メタデータ） (2023-08-20T12:43:52Z)
• Controllable Data Augmentation Through Deep Relighting [75.96144853354362]
  我々は、既存のモデルが照度変化に不変である能力を改善するために、リライトを通じて様々な画像データセットを拡大する方法を探る。 我々は,エンコーダ・デコーダネットワークをベースとして,様々な入力シーンの照明の様々なバリエーションを迅速に生成できるツールを開発した。 パイプラインで拡張されたデータセットのモデルをトレーニングすることで、ローカライゼーションベンチマークでより高いパフォーマンスを実現することが可能であることを実証した。
  論文  参考訳（メタデータ） (2021-10-26T20:02:51Z)
• Lighting the Darkness in the Deep Learning Era [118.35081853500411]
  低照度画像強調(LLIE)は、照明の弱い環境で撮影された画像の知覚や解釈性を改善することを目的としている。 この分野における最近の進歩は、ディープラーニングベースのソリューションが支配的です。 アルゴリズム分類から未解決の未解決問題まで,さまざまな側面をカバーする包括的な調査を行う。
  論文  参考訳（メタデータ） (2021-04-21T19:12:19Z)
• Learning Multi-modal Information for Robust Light Field Depth Estimation [32.64928379844675]
  focalスタックからの既存の学習に基づく深さ推定手法は、デフォーカスのぼやけのため、準最適性能に繋がる。 堅牢な光界深度推定のためのマルチモーダル学習法を提案する。 本手法は,2つの光場データセットにおいて,既存の代表手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2021-04-13T06:51:27Z)
• Light Field Salient Object Detection: A Review and Benchmark [37.28938750278883]
  本稿では,光電場SODの総合的なレビューとベンチマークを行う。 10の伝統的なモデル、7つのディープラーニングベースのモデル、1つの比較研究、1つの簡単なレビューがある。 広範に使用されている4つの光フィールドデータセット上で、9つの代表的な光フィールドSODモデルと、いくつかの最先端RGB-D SODモデルをベンチマークする。
  論文  参考訳（メタデータ） (2020-10-10T10:30:40Z)
• OpenRooms: An End-to-End Open Framework for Photorealistic Indoor Scene Datasets [103.54691385842314]
  本研究では,屋内シーンの大規模フォトリアリスティックデータセットを作成するための新しいフレームワークを提案する。 私たちの目標は、データセット作成プロセスを広く利用できるようにすることです。 これにより、逆レンダリング、シーン理解、ロボット工学における重要な応用が可能になる。
  論文  参考訳（メタデータ） (2020-07-25T06:48:47Z)

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。