論文の概要: AR Visualization System for Ship Detection and Recognition Based on AI
- arxiv url: http://arxiv.org/abs/2311.12430v1
- Date: Tue, 21 Nov 2023 08:42:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 01:29:45.169343
- Title: AR Visualization System for Ship Detection and Recognition Based on AI
- Title（参考訳）: AIに基づく船舶検出・認識のためのAR可視化システム
- Authors: Ziqi Ye, Limin Huang, Yongji Wu, Min Hu
- Abstract要約: このプロジェクトは、AIに基づく船舶検出と認識のためのAR可視化システムである。
このプロジェクトはR3Detアルゴリズムに基づいており、リモートセンシング画像中の船舶の検出と認識を完了している。
船の3Dモデルは、船舶のカテゴリと情報により取得され、仮想シーンで生成される。
- 参考スコア（独自算出の注目度）: 7.651005474860183
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Augmented reality technology has been widely used in industrial design
interaction, exhibition guide, information retrieval and other fields. The
combination of artificial intelligence and augmented reality technology has
also become a future development trend. This project is an AR visualization
system for ship detection and recognition based on AI, which mainly includes
three parts: artificial intelligence module, Unity development module and
Hololens2AR module. This project is based on R3Det algorithm to complete the
detection and recognition of ships in remote sensing images. The recognition
rate of model detection trained on RTX 2080Ti can reach 96%. Then, the 3D model
of the ship is obtained by ship categories and information and generated in the
virtual scene. At the same time, voice module and UI interaction module are
added. Finally, we completed the deployment of the project on Hololens2 through
MRTK. The system realizes the fusion of computer vision and augmented reality
technology, which maps the results of object detection to the AR field, and
makes a brave step toward the future technological trend and intelligent
application.
- Abstract（参考訳）: 拡張現実技術は、産業デザインの相互作用、展示ガイド、情報検索などの分野で広く利用されている。
人工知能と拡張現実技術の組み合わせも、将来の開発トレンドになっている。
このプロジェクトは、人工知能モジュール、unity開発モジュール、hololens2arモジュールの3つの部分を含む、aiに基づく船の検出と認識のためのar可視化システムである。
このプロジェクトはr3detアルゴリズムに基づいて、リモートセンシング画像における船舶の検出と認識を完了している。
RTX 2080Tiで訓練されたモデル検出の認識率は96%に達する。
そして、船舶カテゴリと情報により船の3Dモデルを取得し、仮想シーンで生成する。
同時に、ボイスモジュールとUIインタラクションモジュールが追加されている。
最後に、MRTKを通じてHollens2へのプロジェクトのデプロイを完了しました。
このシステムは、物体検出の結果をAR分野にマッピングするコンピュータビジョンと拡張現実技術の融合を実現し、将来的な技術動向とインテリジェントな応用に向けて勇敢な一歩を踏み出す。
関連論文リスト
- Zero-Shot Detection of AI-Generated Images [54.01282123570917]
AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。
機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。
ZEDは精度の点でSoTAよりも平均3%以上改善されている。
論文 参考訳（メタデータ） (2024-09-24T08:46:13Z) - Networking Systems for Video Anomaly Detection: A Tutorial and Survey [56.44953602790945]
ビデオ異常検出(VAD)は人工知能(AI)コミュニティにおける基本的な研究課題である。
この記事では、NSVADの初心者向けの包括的なチュートリアルを紹介します。
我々は、産業用IoTおよびスマート都市における最新のNSVAD研究と、デプロイ可能なNSVADのためのエンドクラウド共同アーキテクチャを紹介します。
論文 参考訳（メタデータ） (2024-05-16T02:00:44Z) - 3D Hand Mesh Recovery from Monocular RGB in Camera Space [3.0453197258042213]
本研究では,ルート相対格子とルート回復タスクの並列処理を行うネットワークモデルを提案する。
暗黙的な学習手法を2次元ヒートマップに適用し、異なるサブタスク間の2次元キューの互換性を向上させる。
提案モデルは最先端のモデルに匹敵する。
論文 参考訳（メタデータ） (2024-05-12T05:36:37Z) - Artificial intelligence optical hardware empowers high-resolution
hyperspectral video understanding at 1.2 Tb/s [53.91923493664551]
本研究は,多次元映像理解のためのハードウェアアクセラレーション型集積光電子プラットフォームをリアルタイムに導入する。
この技術プラットフォームは、人工知能ハードウェアと光学的に情報を処理し、最先端のマシンビジョンネットワークを組み合わせる。
このような性能は、類似のスペクトル分解能を持つ最も近い技術の速度を3～4等級で上回る。
論文 参考訳（メタデータ） (2023-12-17T07:51:38Z) - Deep Learning Computer Vision Algorithms for Real-time UAVs On-board
Camera Image Processing [77.34726150561087]
本稿では,ディープラーニングに基づくコンピュータビジョンアルゴリズムを用いて,小型UAVのリアルタイムセンサ処理を実現する方法について述べる。
すべてのアルゴリズムは、ディープニューラルネットワークに基づく最先端の画像処理手法を用いて開発されている。
論文 参考訳（メタデータ） (2022-11-02T11:10:42Z) - Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge
TPU [58.720142291102135]
本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。
我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
論文 参考訳（メタデータ） (2022-04-07T08:53:18Z) - Robust Navigation for Racing Drones based on Imitation Learning and
Modularization [3.616948583169635]
本稿では、認識モジュールにカスタマイズされた畳み込みニューラルネットワーク(CNN)を用いた、視覚に基づくモジュール化されたドローンレースナビゲーションシステムを提案する。
我々は、最先端のプランナーとコントローラを利用して低レベルの制御コマンドを生成し、データベースとモデルベースの両方のアプローチの利点を利用する。
論文 参考訳（メタデータ） (2021-05-27T03:26:40Z) - Out of the Box: Embodied Navigation in the Real World [45.97756658635314]
シミュレーションで得られた知識を現実世界に伝達する方法を示す。
モデルは1台のIntel RealSenseカメラを搭載したLoCoBotにデプロイします。
本実験では,得られたモデルを実世界に展開することで,満足のいく結果が得られることを示した。
論文 参考訳（メタデータ） (2021-05-12T18:00:14Z) - Rapid Exploration for Open-World Navigation with Latent Goal Models [78.45339342966196]
多様なオープンワールド環境における自律的な探索とナビゲーションのためのロボット学習システムについて述べる。
本手法のコアとなるのは、画像の非パラメトリックトポロジカルメモリとともに、距離と行動の学習された潜在変数モデルである。
学習方針を規則化するために情報ボトルネックを使用し、(i)目標のコンパクトな視覚的表現、(ii)一般化能力の向上、(iii)探索のための実行可能な目標をサンプリングするためのメカニズムを提供する。
論文 参考訳（メタデータ） (2021-04-12T23:14:41Z) - Inertial Sensing Meets Artificial Intelligence: Opportunity or
Challenge? [12.244109673209769]
本稿では,AI技術を用いて様々な側面からの慣性感覚を高める研究について概説する。
センサーの設計と選択、キャリブレーションとエラーモデリング、ナビゲーションとモーションセンシングアルゴリズム、マルチセンサー情報融合、システム評価、実用的な応用が含まれる。
AIによって強化された慣性センシングの9つの利点と9つの課題をまとめた上で、今後の研究方向性を指摘する。
論文 参考訳（メタデータ） (2020-07-13T22:33:21Z) - A Markerless Deep Learning-based 6 Degrees of Freedom PoseEstimation for
with Mobile Robots using RGB Data [3.4806267677524896]
本稿では,拡張現実デバイス上でリアルタイムな3Dオブジェクトローカライゼーションを実現するために,アートニューラルネットワークの状態をデプロイする手法を提案する。
本研究では,2次元入力のみを用いて物体の3次元ポーズを高速かつ正確に抽出する高速な2次元検出手法に着目する。
2D画像の6Dアノテーションとして,私たちの知る限り,最初のオープンソースツールであるアノテーションツールを開発した。
論文 参考訳（メタデータ） (2020-01-16T09:13:31Z)
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。