論文の概要: SPADES: A Realistic Spacecraft Pose Estimation Dataset using Event Sensing

• arxiv url: http://arxiv.org/abs/2311.05310v1
• Date: Thu, 9 Nov 2023 12:14:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-10 15:30:04.262655
• Title: SPADES: A Realistic Spacecraft Pose Estimation Dataset using Event Sensing
• Title（参考訳）: spades:イベントセンシングを用いた現実的な宇宙船ポーズ推定データセット
• Authors: Arunkumar Rathinam, Haytam Qadadri and Djamila Aouada
• Abstract要約: 実際のターゲットデータセットへのアクセスが限られているため、アルゴリズムはしばしば合成データを使用して訓練され、実際のドメインに適用される。 イベントセンシングは過去にも行われており、シミュレーションと実世界のシナリオの間のドメインギャップを減らすことが示されている。 制御された実験室で取得した実イベントデータと、同じカメラ内在性を用いてイベントデータをシミュレートした新しいデータセットSPADESを提案する。
• 参考スコア（独自算出の注目度）: 9.583223655096077
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In recent years, there has been a growing demand for improved autonomy for in-orbit operations such as rendezvous, docking, and proximity maneuvers, leading to increased interest in employing Deep Learning-based Spacecraft Pose Estimation techniques. However, due to limited access to real target datasets, algorithms are often trained using synthetic data and applied in the real domain, resulting in a performance drop due to the domain gap. State-of-the-art approaches employ Domain Adaptation techniques to mitigate this issue. In the search for viable solutions, event sensing has been explored in the past and shown to reduce the domain gap between simulations and real-world scenarios. Event sensors have made significant advancements in hardware and software in recent years. Moreover, the characteristics of the event sensor offer several advantages in space applications compared to RGB sensors. To facilitate further training and evaluation of DL-based models, we introduce a novel dataset, SPADES, comprising real event data acquired in a controlled laboratory environment and simulated event data using the same camera intrinsics. Furthermore, we propose an effective data filtering method to improve the quality of training data, thus enhancing model performance. Additionally, we introduce an image-based event representation that outperforms existing representations. A multifaceted baseline evaluation was conducted using different event representations, event filtering strategies, and algorithmic frameworks, and the results are summarized. The dataset will be made available at http://cvi2.uni.lu/spades.
• Abstract（参考訳）: 近年, ランデブーやドッキング, 近接操作などの軌道上での自律性向上への需要が高まっており, 深層学習に基づく宇宙機ポース推定技術への関心が高まっている。 しかし、実際のターゲットデータセットへのアクセスが制限されているため、アルゴリズムはしばしば合成データを使用して訓練され、実際のドメインに適用されるため、ドメイン間隙によってパフォーマンスが低下する。 最先端のアプローチでは、この問題を軽減するためにドメイン適応技術を採用している。 実行可能なソリューションの探索において、イベントセンシングは過去に研究され、シミュレーションと現実世界のシナリオの間のドメイン間ギャップを減らすことが示されている。 イベントセンサは近年,ハードウェアとソフトウェアに大きな進歩を遂げている。 さらに、イベントセンサの特性は、rgbセンサーと比較して宇宙応用にいくつかの利点がある。 DLベースモデルのさらなるトレーニングと評価を容易にするため,制御された実験室環境において取得された実イベントデータと,同じカメラ内在値を用いてイベントデータをシミュレートした新しいデータセットSPADESを導入する。 さらに、トレーニングデータの質を向上させるための効果的なデータフィルタリング手法を提案し、モデル性能を向上させる。 さらに,既存の表現よりも優れたイメージベースのイベント表現を導入する。 さまざまなイベント表現,イベントフィルタリング戦略,アルゴリズムフレームワークを用いて多面的なベースライン評価を行い,その結果を要約した。 データセットはhttp://cvi2.uni.lu/spadesで提供される。

関連論文リスト

• How Important are Data Augmentations to Close the Domain Gap for Object Detection in Orbit? [15.550663626482903]
  宇宙空間におけるコンピュータビジョンの領域ギャップを埋めるためのデータ拡張の有効性について検討する。 本稿では,軌道画像に観察される視覚効果をエミュレートするために開発された2つの新しいデータ拡張法を提案する。
  論文  参考訳（メタデータ） (2024-10-21T08:24:46Z)
• Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
  本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。 提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。 主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
  論文  参考訳（メタデータ） (2024-07-24T09:11:34Z)
• Synthetic-to-Real Domain Adaptation for Action Recognition: A Dataset and Baseline Performances [76.34037366117234]
  ロボット制御ジェスチャー(RoCoG-v2)と呼ばれる新しいデータセットを導入する。 データセットは7つのジェスチャークラスの実ビデオと合成ビデオの両方で構成されている。 我々は,最先端の行動認識とドメイン適応アルゴリズムを用いて結果を示す。
  論文  参考訳（メタデータ） (2023-03-17T23:23:55Z)
• A New Benchmark: On the Utility of Synthetic Data with Blender for Bare Supervised Learning and Downstream Domain Adaptation [42.2398858786125]
  コンピュータビジョンにおけるディープラーニングは、大規模ラベル付きトレーニングデータの価格で大きな成功を収めた。 制御不能なデータ収集プロセスは、望ましくない重複が存在する可能性のある非IIDトレーニングおよびテストデータを生成する。 これを回避するために、ドメインランダム化による3Dレンダリングによる合成データを生成する方法がある。
  論文  参考訳（メタデータ） (2023-03-16T09:03:52Z)
• One-Shot Domain Adaptive and Generalizable Semantic Segmentation with Class-Aware Cross-Domain Transformers [96.51828911883456]
  セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。 従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。 実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
  論文  参考訳（メタデータ） (2022-12-14T15:54:15Z)
• Towards Bridging the Space Domain Gap for Satellite Pose Estimation using Event Sensing [35.467052373502575]
  イベントセンシングは、スターク照明の違いの下で、シミュレーションからターゲットドメインへの一般化を期待できるソリューションを提供する。 我々の主な貢献は、合成データに基づいて純粋に訓練されたイベントベースの衛星ポーズ推定技術である。 その結果,適応のない合成データのみを訓練した事象に基づく衛星ポーズ推定法が,対象領域に効果的に一般化できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-24T07:22:09Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
  ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。 生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
  論文  参考訳（メタデータ） (2021-04-22T12:47:37Z)
• DA4Event: towards bridging the Sim-to-Real Gap for Event Cameras using Domain Adaptation [22.804074390795734]
  イベントカメラは「イベント」の形でピクセルレベルの強度変化を捉えます これらのセンサーの新規性は、その可能性を解き放つことができる大量のトレーニングデータの欠如をもたらす。 本稿では,フレームベースのイベント表現の特質を活かした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） (2021-03-23T18:09:20Z)
• ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework for LiDAR Point Cloud Segmentation [111.56730703473411]
  LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。 シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。 ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2020-09-07T23:46:08Z)

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。