論文の概要: BDIS-SLAM: A lightweight CPU-based dense stereo SLAM for surgery
- arxiv url: http://arxiv.org/abs/2312.15679v1
- Date: Mon, 25 Dec 2023 10:07:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 17:06:04.610609
- Title: BDIS-SLAM: A lightweight CPU-based dense stereo SLAM for surgery
- Title（参考訳）: BDIS-SLAM : 手術用軽量CPUベース高密度ステレオSLAM
- Authors: Jingwei Song, Ray Zhang, Qiuchen Zhu, Jianyu Lin and Maani Ghaffari
- Abstract要約: 本研究の目的は,シングルコアCPU上で動作し,リアルタイムな性能を実現する軽量な高密度ステレオSLAMシステムである。
新しい高密度ステレオマッピングモジュールはORB-SLAM2システムに統合され、BDIS-SLAMと名付けられた。
BDIS-SLAMは、典型的な内視鏡/大腸内視鏡のシナリオにおいて、現代のシングルコアCPU上で30Hz以上の速度で動作する。
- 参考スコア（独自算出の注目度）: 8.38192174507264
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose: Common dense stereo Simultaneous Localization and Mapping (SLAM)
approaches in Minimally Invasive Surgery (MIS) require high-end parallel
computational resources for real-time implementation. Yet, it is not always
feasible since the computational resources should be allocated to other tasks
like segmentation, detection, and tracking. To solve the problem of limited
parallel computational power, this research aims at a lightweight dense stereo
SLAM system that works on a single-core CPU and achieves real-time performance
(more than 30 Hz in typical scenarios). Methods: A new dense stereo mapping
module is integrated with the ORB-SLAM2 system and named BDIS-SLAM. Our new
dense stereo mapping module includes stereo matching and 3D dense depth mosaic
methods. Stereo matching is achieved with the recently proposed CPU-level
real-time matching algorithm Bayesian Dense Inverse Searching (BDIS). A
BDIS-based shape recovery and a depth mosaic strategy are integrated as a new
thread and coupled with the backbone ORB-SLAM2 system for real-time stereo
shape recovery. Results: Experiments on in-vivo data sets show that BDIS-SLAM
runs at over 30 Hz speed on modern single-core CPU in typical
endoscopy/colonoscopy scenarios. BDIS-SLAM only consumes around an additional
12% time compared with the backbone ORB-SLAM2. Although our lightweight
BDIS-SLAM simplifies the process by ignoring deformation and fusion procedures,
it can provide a usable dense mapping for modern MIS on computationally
constrained devices. Conclusion: The proposed BDIS-SLAM is a lightweight stereo
dense SLAM system for MIS. It achieves 30 Hz on a modern single-core CPU in
typical endoscopy/colonoscopy scenarios (image size around 640*480). BDIS-SLAM
provides a low-cost solution for dense mapping in MIS and has the potential to
be applied in surgical robots and AR systems.
- Abstract（参考訳）: 目的:MIS(Minimally Invasive Surgery)におけるSLAM(Common dense stereo Simultaneous Localization and Mapping)アプローチは,リアルタイム実装に高次並列計算資源を必要とする。
しかし、セグメンテーション、検出、追跡といった他のタスクに計算資源を割り当てる必要があるため、必ずしも実現不可能ではない。
並列計算能力の制限を解消するため,本研究では,シングルコアCPU上で動作し,30Hz以上のリアルタイム性能を実現する軽量な高密度ステレオSLAMシステムを提案する。
メソッド: 新しい高密度ステレオマッピングモジュールはORB-SLAM2システムに統合され、BDIS-SLAMと名付けられた。
新しい高密度ステレオマッピングモジュールは,ステレオマッチングと3次元濃厚モザイク法を含む。
ステレオマッチングは、最近提案されたCPUレベルのリアルタイムマッチングアルゴリズムBayesian Dense Inverse Searching (BDIS)を用いて実現されている。
BDISに基づく形状回復と深度モザイク戦略を新たなスレッドとして統合し、リアルタイムステレオ形状回復のためのバックボーンORB-SLAM2システムと結合する。
結果: BDIS-SLAMは、典型的な内視鏡/大腸内視鏡のシナリオにおいて、現代のシングルコアCPU上で30Hz以上の速度で動作することを示す。
BDIS-SLAMはORB-SLAM2と比較して12%の時間しか消費しない。
我々の軽量なBDIS-SLAMは、変形や融合の手順を無視して処理を単純化するが、計算に制約のあるデバイス上での現代のMISの高密度マッピングに利用できる。
結論:提案したBDIS-SLAMはMIS用軽量ステレオ高密度SLAMシステムである。
典型的な内視鏡/コロノスコープ(画像サイズは約640*480)のシナリオにおいて、現代のシングルコアCPU上で30Hzを達成する。
BDIS-SLAMはMISの高密度マッピングのための低コストのソリューションを提供し、手術ロボットやARシステムに適用できる可能性を持っている。
関連論文リスト
- FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
分散トレーニングは、システム設計と効率に関する重要な課題に直面します。
大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。
本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
論文 参考訳（メタデータ） (2024-10-16T16:13:19Z) - MGSO: Monocular Real-time Photometric SLAM with Efficient 3D Gaussian Splatting [8.577428137443246]
本稿では,光メトリックSLAMと3DGSを統合した新しいリアルタイムSLAMシステムであるMonocular GSOを提案する。
本システムでは, 品質, メモリ効率, 速度のバランスを保ち, 再現性を向上する。
現代のシステムを超えているだけでなく、ラップトップのハードウェアの性能も維持していることを示す実験も行っています。
論文 参考訳（メタデータ） (2024-09-19T19:07:05Z) - EM-GANSim: Real-time and Accurate EM Simulation Using Conditional GANs for 3D Indoor Scenes [55.2480439325792]
実時間電磁伝搬のための新しい機械学習手法(EM-GANSim)を提案する。
実際には、3D屋内環境のあらゆる場所で数ミリ秒で信号強度を計算することができる。
論文 参考訳（メタデータ） (2024-05-27T17:19:02Z) - CudaSIFT-SLAM: multiple-map visual SLAM for full procedure mapping in real human endoscopy [4.129225533930965]
CudaSIFT-SLAMは人間の大腸全摘をリアルタイムで処理できる最初のV-SLAMシステムである。
我々は,C3VDファントム結腸データセットと,Endomapperデータセットからの完全な実大腸内視鏡で本システムをベンチマークした。
我々のシステムは,C3VDデータセットのフレームの88%をリアルタイムでマッピングすることに成功した。
論文 参考訳（メタデータ） (2024-05-27T08:26:19Z) - NGD-SLAM: Towards Real-Time Dynamic SLAM without GPU [4.959552873584984]
本稿では,マスク予測機構を組み込んだオープンソースのリアルタイム動的SLAMシステムを提案する。
本システムは,ラップトップCPU上でのトラッキングフレームレート56FPSを実現しつつ,動的環境における高いローカライズ精度を維持している。
論文 参考訳（メタデータ） (2024-05-12T23:00:53Z) - MoD-SLAM: Monocular Dense Mapping for Unbounded 3D Scene Reconstruction [2.3630527334737104]
MoD-SLAMは、非有界シーンにおけるリアルタイムな3次元再構成を可能にする、最初のモノクラーNeRFを用いた高密度マッピング法である。
追跡処理にロバストな深度損失項を導入することにより,大規模シーンにおけるより正確なポーズ推定を実現する。
2つの標準データセットを用いた実験により, MoD-SLAMは競争性能を向上し, 3次元再構成の精度を最大30%, 15%向上した。
論文 参考訳（メタデータ） (2024-02-06T07:07:33Z) - Depth Completion with Multiple Balanced Bases and Confidence for Dense
Monocular SLAM [34.78726455243436]
本稿では,軽量深度補完網をスパースSLAMシステムに統合する新しい手法を提案する。
具体的には,BBC-Netと呼ばれる,高度に最適化されたマルチバス深度補完ネットワークを提案する。
BBC-Netは、オフザシェルキーポイントベースのSLAMシステムによって生成されたスパースポイントを持つ単眼画像から、複数のバランスの取れたベースと信頼マップを予測できる。
論文 参考訳（メタデータ） (2023-09-08T06:15:27Z) - NICER-SLAM: Neural Implicit Scene Encoding for RGB SLAM [111.83168930989503]
NICER-SLAMは、カメラポーズと階層的なニューラル暗黙マップ表現を同時に最適化するRGB SLAMシステムである。
近年のRGB-D SLAMシステムと競合する高密度マッピング,追跡,新しいビュー合成において,高い性能を示す。
論文 参考訳（メタデータ） (2023-02-07T17:06:34Z) - Using Detection, Tracking and Prediction in Visual SLAM to Achieve
Real-time Semantic Mapping of Dynamic Scenarios [70.70421502784598]
RDS-SLAMは、一般的に使用されているIntel Core i7 CPUのみを使用して、動的シナリオのためのオブジェクトレベルでのセマンティックマップをリアルタイムで構築することができる。
我々は, TUM RGB-DデータセットにおけるRDS-SLAMを評価し, 動的シナリオにおいて, RDS-SLAMはフレームあたり30.3msで動作可能であることを示した。
論文 参考訳（メタデータ） (2022-10-10T11:03:32Z) - Parallel Successive Learning for Dynamic Distributed Model Training over
Heterogeneous Wireless Networks [50.68446003616802]
フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。
我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。
我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
論文 参考訳（メタデータ） (2022-02-07T05:11:01Z) - NICE-SLAM: Neural Implicit Scalable Encoding for SLAM [112.6093688226293]
NICE-SLAMは階層的なシーン表現を導入することでマルチレベルローカル情報を組み込んだ高密度SLAMシステムである。
最近の暗黙的SLAMシステムと比較して、私たちのアプローチはよりスケーラブルで効率的で堅牢です。
論文 参考訳（メタデータ） (2021-12-22T18:45:44Z)
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。