論文の概要: Deep Learning-Based UAV Aerial Triangulation without Image Control Points

• arxiv url: http://arxiv.org/abs/2301.02869v1
• Date: Sat, 7 Jan 2023 15:01:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 17:02:05.174829
• Title: Deep Learning-Based UAV Aerial Triangulation without Image Control Points
• Title（参考訳）: 画像制御点のない深層学習型UAV空中三角測量
• Authors: Jiageng Zhong, Ming Li, Jiangying Qin, Hanqi Zhang
• Abstract要約: POS がサポートする UAV 画像自由制御の大規模マッピングを実現するには,多くの技術的問題がある。 ディープラーニングは多くの面で、従来の手作りの機能のパフォーマンスを上回っています。 本稿では,ディープラーニング画像の特徴に基づく新しいドローン画像登録手法を提案する。
• 参考スコア（独自算出の注目度）: 6.335630432207172
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The emerging drone aerial survey has the advantages of low cost, high efficiency, and flexible use. However, UAVs are often equipped with cheap POS systems and non-measurement cameras, and their flight attitudes are easily affected. How to realize the large-scale mapping of UAV image-free control supported by POS faces many technical problems. The most basic and important core technology is how to accurately realize the absolute orientation of images through advanced aerial triangulation technology. In traditional aerial triangulation, image matching algorithms are constrained to varying degrees by preset prior knowledge. In recent years, deep learning has developed rapidly in the field of photogrammetric computer vision. It has surpassed the performance of traditional handcrafted features in many aspects. It has shown stronger stability in image-based navigation and positioning tasks, especially it has better resistance to unfavorable factors such as blur, illumination changes, and geometric distortion. Based on the introduction of the key technologies of aerial triangulation without image control points, this paper proposes a new drone image registration method based on deep learning image features to solve the problem of high mismatch rate in traditional methods. It adopts SuperPoint as the feature detector, uses the superior generalization performance of CNN to extract precise feature points from the UAV image, thereby achieving high-precision aerial triangulation. Experimental results show that under the same pre-processing and post-processing conditions, compared with the traditional method based on the SIFT algorithm, this method achieves suitable precision more efficiently, which can meet the requirements of UAV aerial triangulation without image control points in large-scale surveys.
• Abstract（参考訳）: ドローンによる航空調査は、低コスト、高効率、フレキシブルな利用の利点がある。 しかし、UAVは安価なPOSシステムと非測定カメラを備えており、その飛行姿勢は容易に影響を受ける。 POS がサポートする UAV 画像自由制御の大規模マッピングを実現するには,多くの技術的問題がある。 最も基本的で重要なコア技術は、高度な空中三角測量技術によって画像の絶対方向を正確に認識する方法である。 従来の航空三角測量では、画像マッチングアルゴリズムは事前の知識によって異なる程度に制限される。 近年, 深層学習はフォトグラムコンピュータビジョンの分野で急速に発展してきた。 多くの面で伝統的な手作りの特徴のパフォーマンスを上回っている。 画像ベースのナビゲーションや位置決めタスクの安定性が強く、特にぼやけや照明の変化、幾何学的歪みといった不利な要因に対する抵抗性が向上している。 本稿では,画像制御点のない空中三角測量の重要技術の導入に基づき,ディープラーニング画像特徴に基づく新しいドローン画像登録手法を提案し,従来の手法における高いミスマッチ率の問題を解決する。 特徴検出器としてSuperPointを採用し、CNNの優れた一般化性能を用いてUAV画像から正確な特徴点を抽出し、高精度な空中三角測量を実現する。 実験結果から,SIFT法に基づく従来の手法と比較して,前処理条件と後処理条件が同じで,精度が向上し,大規模調査では画像制御点を使わずにUAV空中三角測量の要件を満たすことが示唆された。

関連論文リスト

• UAVDB: Trajectory-Guided Adaptable Bounding Boxes for UAV Detection [0.03464344220266879]
  パッチ強度収束(Patch Intensity Convergence、PIC)技術は、手動ラベリングなしでUAV検出のための高忠実なバウンディングボックスを生成する。 この技術は、UAV検出に特化した専用データベースであるUAVDBの基礎となる。 我々は,最先端(SOTA)YOLO系列検出器を用いてUAVDBをベンチマークし,総合的な性能解析を行った。
  論文  参考訳（メタデータ） (2024-09-09T13:27:53Z)
• Instance-aware Multi-Camera 3D Object Detection with Structural Priors Mining and Self-Boosting Learning [93.71280187657831]
  カメラによる鳥眼視(BEV)知覚パラダイムは、自律運転分野において大きな進歩を遂げている。 画像平面のインスタンス認識をBEV検出器内の深度推定プロセスに統合するIA-BEVを提案する。
  論文  参考訳（メタデータ） (2023-12-13T09:24:42Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• Geometric-aware Pretraining for Vision-centric 3D Object Detection [77.7979088689944]
  GAPretrainと呼ばれる新しい幾何学的事前学習フレームワークを提案する。 GAPretrainは、複数の最先端検出器に柔軟に適用可能なプラグアンドプレイソリューションとして機能する。 BEVFormer法を用いて, nuScenes val の 46.2 mAP と 55.5 NDS を実現し, それぞれ 2.7 と 2.1 点を得た。
  論文  参考訳（メタデータ） (2023-04-06T14:33:05Z)
• LSwinSR: UAV Imagery Super-Resolution based on Linear Swin Transformer [7.3817359680010615]
  超高分解能技術は無人航空機(UAV)に特に有用である 本稿では,UAV画像の高分解能化のために,最先端のSwin Transformerに基づく新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-17T20:14:10Z)
• Unpaired Overwater Image Defogging Using Prior Map Guided CycleGAN [60.257791714663725]
  オーバーウォーターシーンで画像をデフォグするための先行マップガイドサイクロン (PG-CycleGAN) を提案する。 提案手法は,最先端の教師付き,半教師付き,非教師付きデグジングアプローチより優れている。
  論文  参考訳（メタデータ） (2022-12-23T03:00:28Z)
• A Comparative Attention Framework for Better Few-Shot Object Detection on Aerial Images [2.292003207440126]
  Few-Shot Object Detection (FSOD) 法は主に自然画像データセットに基づいて設計・評価されている。 自然画像の最良の方法が空中画像の最良の方法であるかどうかは不明だ。 本稿では,アテンションベースのFSOD手法の実装と比較を行うフレキシブルな環境を提供するベンチマークフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-25T11:20:31Z)
• FOVEA: Foveated Image Magnification for Autonomous Navigation [53.69803081925454]
  入力キャンバスを小さく保ちながら、ある領域を弾性的に拡大する注意的アプローチを提案する。 提案手法は,高速R-CNNより高速かつ微調整の少ない検出APを高速化する。 Argoverse-HD と BDD100K の自律走行データセットでは,提案手法が標準の高速 R-CNN を超越した検出APを微調整なしで促進することを示す。
  論文  参考訳（メタデータ） (2021-08-27T03:07:55Z)
• EmergencyNet: Efficient Aerial Image Classification for Drone-Based Emergency Monitoring Using Atrous Convolutional Feature Fusion [8.634988828030245]
  本稿では,緊急対応・監視用uavの航空機画像の効率的な分類について述べる。 緊急対応アプリケーションのための専用空中画像データベースを導入し、既存のアプローチの比較分析を行う。 マルチレゾリューション機能を処理するために,アトラス畳み込みに基づく軽量畳み込みニューラルネットワークアーキテクチャが提案されている。
  論文  参考訳（メタデータ） (2021-04-28T20:24:10Z)
• SyNet: An Ensemble Network for Object Detection in UAV Images [13.198689566654107]
  本稿では,マルチステージ方式とシングルステージ方式を組み合わせたアンサンブルネットワークであるSyNetを提案する。 ビルディングブロックとして、センシング戦略とともに、プリトレーニング特徴抽出器を備えたセンタネットおよびカスケードr−cnnを利用する。 提案手法により得られた技術成果を2つの異なるデータセットで報告する。
  論文  参考訳（メタデータ） (2020-12-23T21:38:32Z)
• Perceiving Traffic from Aerial Images [86.994032967469]
  本研究では,空中画像中の物体を検出するために,バタフライ検出器と呼ばれる物体検出手法を提案する。 UAVDT(UAVDT)とVisDrone 2019(VisDrone 2019)の2つのUAVデータセット上でButterfly Detectorを評価し、従来の最先端の手法よりも高速に動作し、かつリアルタイムに動作可能であることを示す。
  論文  参考訳（メタデータ） (2020-09-16T11:37:43Z)

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。