論文の概要: Automated Multimodal Data Annotation via Calibration With Indoor Positioning System

• arxiv url: http://arxiv.org/abs/2312.03608v1
• Date: Wed, 6 Dec 2023 16:54:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-07 14:09:43.680036
• Title: Automated Multimodal Data Annotation via Calibration With Indoor Positioning System
• Title（参考訳）: 屋内測位システムを用いたキャリブレーションによる自動マルチモーダルデータアノテーション
• Authors: Ryan Rubel and Andrew Dudash and Mohammad Goli and James O'Hara and Karl Wunderlich
• Abstract要約: 本手法では,室内位置決めシステム(IPS)を用いて,点雲と画像の両方の正確な検出ラベルを生成する。 実験では、システムは人間のベースラインの261.8倍の速さで関心のあるオブジェクトに注釈を付ける。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Learned object detection methods based on fusion of LiDAR and camera data require labeled training samples, but niche applications, such as warehouse robotics or automated infrastructure, require semantic classes not available in large existing datasets. Therefore, to facilitate the rapid creation of multimodal object detection datasets and alleviate the burden of human labeling, we propose a novel automated annotation pipeline. Our method uses an indoor positioning system (IPS) to produce accurate detection labels for both point clouds and images and eliminates manual annotation entirely. In an experiment, the system annotates objects of interest 261.8 times faster than a human baseline and speeds up end-to-end dataset creation by 61.5%.
• Abstract（参考訳）: LiDARとカメラデータの融合に基づく学習対象検出方法はラベル付きトレーニングサンプルを必要とするが、倉庫ロボットや自動化インフラのようなニッチなアプリケーションは、大規模な既存のデータセットでは利用できないセマンティッククラスを必要とする。 そこで本研究では,マルチモーダルオブジェクト検出データセットの迅速な作成と,人間のラベル付けの負担を軽減するため,新しい自動アノテーションパイプラインを提案する。 本手法では,屋内位置決めシステム(IPS)を用いて点群と画像の正確な検出ラベルを作成し,手動による注釈を完全に除去する。 実験では、システムは人間のベースラインの261.8倍の速さで関心のあるオブジェクトを注釈し、エンドツーエンドのデータセット作成を61.5%高速化する。

関連論文リスト

• DART: An Automated End-to-End Object Detection Pipeline with Data Diversification, Open-Vocabulary Bounding Box Annotation, Pseudo-Label Review, and Model Training [8.705939889424558]
  本稿では,データ収集からモデル評価へのオブジェクト検出に革命をもたらす自動エンドツーエンドパイプラインであるDARTを提案する。 これにより、人間のラベル付けや広範なデータ収集の必要性を排除し、多様なシナリオにまたがって優れた精度を達成できる。 DARTの現在のインスタンス化は平均精度(AP)を0.064から0.832に大幅に向上させた。
  論文  参考訳（メタデータ） (2024-07-12T11:16:44Z)
• TeVAE: A Variational Autoencoder Approach for Discrete Online Anomaly Detection in Variable-state Multivariate Time-series Data [0.017476232824732776]
  本研究では,時間変動型オートエンコーダ(TeVAE)を提案する。 適切に設定された場合、TeVAEは異常を6%だけ間違ったタイミングでフラグし、65%の異常を検知する。
  論文  参考訳（メタデータ） (2024-07-09T13:32:33Z)
• Object-Centric Multiple Object Tracking [124.30650395969126]
  本稿では,多目的追跡パイプラインのためのビデオオブジェクト中心モデルを提案する。 オブジェクト中心のスロットを検出出力に適応するインデックスマージモジュールと、オブジェクトメモリモジュールで構成される。 オブジェクト中心学習に特化して、オブジェクトのローカライゼーションと機能バインディングのためのスパース検出ラベルしか必要としない。
  論文  参考訳（メタデータ） (2023-09-01T03:34:12Z)
• UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
  UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。 本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
  論文  参考訳（メタデータ） (2023-07-03T04:10:55Z)
• An Efficient Semi-Automated Scheme for Infrastructure LiDAR Annotation [15.523875367380196]
  トラッキングアルゴリズムを用いてLiDARシーケンスを自動的にアノテートする,効率的な半自動アノテーションツールを提案する。 本ツールでは,マルチオブジェクト追跡(MOT),シングルオブジェクト追跡(SOT),適切なトラック後処理手法をシームレスに統合する。
  論文  参考訳（メタデータ） (2023-01-25T17:42:15Z)
• AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
  リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。 我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
  論文  参考訳（メタデータ） (2022-01-31T20:02:22Z)
• DeepScanner: a Robotic System for Automated 2D Object Dataset Collection with Annotations [4.0423807111935295]
  音声合成ロボットを用いた自動データセット収集の可能性について述べる。 提案技術は,多角形データセット上の画素誤差の数と2次元オブジェクトの手動ラベリングに要する時間を削減する。
  論文  参考訳（メタデータ） (2021-08-05T12:21:18Z)
• Data Augmentation for Object Detection via Differentiable Neural Rendering [71.00447761415388]
  注釈付きデータが乏しい場合、堅牢なオブジェクト検出器を訓練することは困難です。 この問題に対処する既存のアプローチには、ラベル付きデータからラベル付きデータを補間する半教師付き学習が含まれる。 オブジェクト検出のためのオフラインデータ拡張手法を導入し、新しいビューでトレーニングデータを意味的に補間する。
  論文  参考訳（メタデータ） (2021-03-04T06:31:06Z)
• Self-Supervised Person Detection in 2D Range Data using a Calibrated Camera [83.31666463259849]
  2次元LiDARに基づく人検出器のトレーニングラベル(擬似ラベル)を自動生成する手法を提案する。 擬似ラベルで訓練または微調整された自己監視検出器が,手動アノテーションを用いて訓練された検出器を上回っていることを示した。 私達の方法は付加的な分類の努力なしで配置の間に人の探知器を改善する有効な方法です。
  論文  参考訳（メタデータ） (2020-12-16T12:10:04Z)
• PyODDS: An End-to-end Outlier Detection System with Automated Machine Learning [55.32009000204512]
  PyODDSは、データベースサポート付きアウトレイラ検出のための、エンドツーエンドのPythonシステムである。 具体的には,探索空間を外乱検出パイプラインで定義し,与えられた探索空間内で探索戦略を作成する。 また、データサイエンスや機械学習のバックグラウンドの有無に関わらず、統一されたインターフェイスと視覚化を提供する。
  論文  参考訳（メタデータ） (2020-03-12T03:30:30Z)

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。