論文の概要: Efficient Large-scale AUV-based Visual Seafloor Mapping
- arxiv url: http://arxiv.org/abs/2308.06147v1
- Date: Fri, 11 Aug 2023 14:24:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-14 13:43:28.934095
- Title: Efficient Large-scale AUV-based Visual Seafloor Mapping
- Title(参考訳): 大規模AUVを用いた視覚海底マッピング
- Authors: Mengkun She and Yifan Song and David Nakath and Kevin K\"oser
- Abstract要約: 海底画像と視覚マッピングの最近の進歩を取り入れ,海底のヘクタールの自動3次元再構築を支援するシステムを提案する。
我々のアプローチは,画像の省略や潜水時間制限の有効利用のために,弱い登録領域の検出と再考が困難である。
提案システムは, 実環境下でのロバスト性および実用性を実証し, いくつかの調査巡航において広範囲に検証され, 評価されている。
- 参考スコア(独自算出の注目度): 6.7864586321550595
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Driven by the increasing number of marine data science applications, there is
a growing interest in surveying and exploring the vast, uncharted terrain of
the deep sea with robotic platforms. Despite impressive results achieved by
many on-land visual mapping algorithms in the past decades, transferring these
methods from land to the deep sea remains a challenge due to harsh
environmental conditions. Typically, deep-sea exploration involves the use of
autonomous underwater vehicles (AUVs) equipped with high-resolution cameras and
artificial illumination systems. However, images obtained in this manner often
suffer from heterogeneous illumination and quality degradation due to
attenuation and scattering, on top of refraction of light rays. All of this
together often lets on-land SLAM approaches fail underwater or makes
Structure-from-Motion approaches drift or omit difficult images, resulting in
gaps, jumps or weakly registered areas. In this work, we present a system that
incorporates recent developments in underwater imaging and visual mapping to
facilitate automated robotic 3D reconstruction of hectares of seafloor. Our
approach is efficient in that it detects and reconsiders difficult, weakly
registered areas, to avoid omitting images and to make better use of limited
dive time; on the other hand it is computationally efficient; leveraging a
hybrid approach combining benefits from SLAM and Structure-from-Motion that
runs much faster than incremental reconstructions while achieving at least
on-par performance. The proposed system has been extensively tested and
evaluated during several research cruises, demonstrating its robustness and
practicality in real-world conditions.
- Abstract(参考訳): 海洋データサイエンスの応用が増えている中で、ロボットプラットフォームによる深海の広大な未開の地形を調査し調査することへの関心が高まっている。
過去数十年で多くの陸地視覚マッピングアルゴリズムが達成した印象的な成果にもかかわらず、これらの手法を陸地から深海に転送することは厳しい環境条件のために依然として課題である。
通常、深海探査には高解像度カメラと人工照明システムを備えた自律型水中車両(AUV)が使用される。
しかし、この方法で得られた画像は、光の屈折に加えて、減衰や散乱による不均一な照明や品質劣化に苦しむことが多い。
これらをすべて組み合わせることで、地上のSLAMアプローチが水中で失敗したり、Structure-from-Motionアプローチが難しい画像のドリフトや省略をし、ギャップやジャンプ、弱い登録領域が生まれる。
本研究では,海底画像と視覚マッピングの最近の進歩を取り入れ,海底のヘクタールの自動ロボット3次元再構築を容易にするシステムを提案する。
提案手法は, 難易度の高い弱登録領域を検出し, 画像の省略を回避し, 限られたダイブ時間をより有効に利用するために, 効率的な手法である。
提案システムは, 実環境下でのロバスト性および実用性を実証し, いくつかの調査巡航において広範囲に検証され, 評価されている。
関連論文リスト
- An Efficient Detection and Control System for Underwater Docking using
Machine Learning and Realistic Simulation: A Comprehensive Approach [5.039813366558306]
この研究は、水中ドッキングの検出と分類を行うために異なるディープラーニングアーキテクチャと比較する。
GAN(Generative Adversarial Network)は画像から画像への変換に用いられ、ガゼボのシミュレーション画像を水中画像に変換する。
その結果,水中の潮流によらず,高濁度シナリオでは20%の改善が見られた。
論文 参考訳(メタデータ) (2023-11-02T18:10:20Z) - 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) - 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) - GAMMA: Generative Augmentation for Attentive Marine Debris Detection [0.0]
そこで本稿では,水中デブリデータによる視覚的検出の不適切な問題を解決するために,効率的で生成的な拡張手法を提案する。
我々は、CycleGANをデータ拡張技術として使用し、地球上のプラスチックのオープンで豊富なデータを水中画像に変換する。
また,アテンション機構を用いた水中デブリ検出のための新しいアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-12-07T16:30:51Z) - Self-Supervised Monocular Depth Underwater [8.830479021890575]
近年,単眼画像からの深度推定は大幅に改善されている。
水中環境下では、媒質による外観の変化により、まだ遅れている。
水中環境に対処するための自己監督型フレームワークにいくつかの追加を提案する。
論文 参考訳(メタデータ) (2022-10-06T20:57:58Z) - Virtual Underwater Datasets for Autonomous Inspections [0.0]
本研究では,実験室で収集したアイテムの写真から,ベスポークデータセットを構築した。
GAN(Generative Adversarial Networks)は、実験対象のデータセットを水中ドメインに変換するために使用される。
その結果得られた画像は、実際の水中の船体画像と比較すると、実際の水中環境とよく似ている。
論文 参考訳(メタデータ) (2022-09-13T14:06:36Z) - AT-DDPM: Restoring Faces degraded by Atmospheric Turbulence using
Denoising Diffusion Probabilistic Models [64.24948495708337]
大気の乱流は、ぼやけや幾何学的歪みを導入して画質を著しく劣化させる。
CNNベースやGANインバージョンベースなど,深層学習に基づく単一画像大気乱流低減手法が提案されている。
Denoising Diffusion Probabilistic Models (DDPMs) は、その安定したトレーニングプロセスと高品質な画像を生成する能力により、最近注目を集めている。
論文 参考訳(メタデータ) (2022-08-24T03:13:04Z) - 6D Camera Relocalization in Visually Ambiguous Extreme Environments [79.68352435957266]
本研究では,深海や地球外地形などの極端な環境下で得られた画像の列から,カメラのポーズを確実に推定する手法を提案する。
本手法は,室内ベンチマーク (7-Scenes データセット) における最先端手法と同等の性能を20%のトレーニングデータで達成する。
論文 参考訳(メタデータ) (2022-07-13T16:40:02Z) - Underwater Image Restoration via Contrastive Learning and a Real-world
Dataset [59.35766392100753]
本稿では,教師なし画像から画像への翻訳フレームワークに基づく水中画像復元手法を提案する。
提案手法は, 生画像と復元画像の相互情報を最大化するために, コントラスト学習と生成敵ネットワークを利用した。
論文 参考訳(メタデータ) (2021-06-20T16:06:26Z) - Progressive Depth Learning for Single Image Dehazing [56.71963910162241]
既存の脱湿法は、しばしば深度を無視し、より重いヘイズが視界を乱す遠くの地域で失敗する。
画像深度と伝送マップを反復的に推定するディープエンドツーエンドモデルを提案する。
私たちのアプローチは、画像深度と伝送マップの内部関係を明示的にモデリングすることから利益を得ます。
論文 参考訳(メタデータ) (2021-02-21T05:24:18Z) - Deep Sea Robotic Imaging Simulator [6.2122699483618]
海洋の最大の部分である深海は、現在もほとんど未調査のままである。
深海画像は浅い海域で撮影された画像とは大きく異なり、この地域はコミュニティからはあまり注目されなかった。
本稿では,空気中のテクスチャと深度情報を入力として利用する物理モデルに基づく画像シミュレーションソリューションを提案する。
論文 参考訳(メタデータ) (2020-06-27T16:18:32Z)
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。