Fugu-MT 論文翻訳(概要): Enhancing 3D-Air Signature by Pen Tip Tail Trajectory Awareness: Dataset and Featuring by Novel Spatio-temporal CNN

論文の概要: Enhancing 3D-Air Signature by Pen Tip Tail Trajectory Awareness: Dataset and Featuring by Novel Spatio-temporal CNN

arxiv url: http://arxiv.org/abs/2401.02649v1
Date: Fri, 5 Jan 2024 05:40:59 GMT
ステータス: 処理完了
システム内更新日: 2024-01-08 15:54:22.058457
Title: Enhancing 3D-Air Signature by Pen Tip Tail Trajectory Awareness: Dataset and Featuring by Novel Spatio-temporal CNN
Title（参考訳）: Pen Tip Tail Trajectory Awarenessによる3D-Airシグナチャの強化:新しい時空間CNNによるデータセットと特徴
Authors: Saurabh Atreya, Maheswar Bora, Aritra Mukherjee, Abhijit Das
Abstract要約: 本研究は,ペン先端とテール3次元軌道を空気シグネチャに用いる新しい手法を提案する。トラジェクトリーを取得するために,新しいペンツールを開発し,ステレオカメラを用いた。 SliT-CNNは2次元空間時空間畳み込みニューラルネットワーク(CNN)で,空気シグネチャの高機能化を目的としている。
参考スコア（独自算出の注目度）: 1.3867673602597017
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This work proposes a novel process of using pen tip and tail 3D trajectory for air signature. To acquire the trajectories we developed a new pen tool and a stereo camera was used. We proposed SliT-CNN, a novel 2D spatial-temporal convolutional neural network (CNN) for better featuring of the air signature. In addition, we also collected an air signature dataset from $45$ signers. Skilled forgery signatures per user are also collected. A detailed benchmarking of the proposed dataset using existing techniques and proposed CNN on existing and proposed dataset exhibit the effectiveness of our methodology.
Abstract（参考訳）: 本研究は,ペン先端とテール3次元軌道を空気署名に用いる新しい手法を提案する。トラジェクトリーを取得するために,新しいペンツールを開発し,ステレオカメラを用いた。 SliT-CNNは2次元空間時空間畳み込みニューラルネットワーク(CNN)で,空気シグネチャの高機能化を実現する。さらに、45ドルの署名者から空気署名データセットも収集しました。熟練したユーザ毎の偽造署名も収集される。既存の手法を用いて提案したデータセットの詳細なベンチマークを行い,提案手法の有効性を示す。

関連論文リスト

AutoSynth: Learning to Generate 3D Training Data for Object Point Cloud Registration [69.21282992341007]
Auto Synthは、ポイントクラウド登録のための3Dトレーニングデータを自動的に生成する。私たちはポイントクラウド登録ネットワークをもっと小さなサロゲートネットワークに置き換え、4056.43$のスピードアップを実現しました。 TUD-L,LINEMOD,Occluded-LINEMODに関する我々の研究結果は,検索データセットでトレーニングされたニューラルネットワークが,広く使用されているModelNet40データセットでトレーニングされたニューラルネットワークよりも一貫してパフォーマンスが向上していることを示す。
論文参考訳（メタデータ） (2023-09-20T09:29:44Z)
Nearest Neighbors Meet Deep Neural Networks for Point Cloud Analysis [14.844183458784235]
我々は,空間近傍適応(SN-Adapter)と呼ばれるパラメータの再設計や余分なパラメータを伴わずに,既存のディープニューラルネットワークを強化する方法を提案する。訓練された3Dネットワーク上に構築された学習符号化機能を利用して,学習データセットの特徴を抽出し,それらを空間知識として要約する。テストポイントクラウドでは、SN-Adapterは、事前構築された空間プロトタイプからk隣人(k-NN)を検索し、k-NN予測を元の3Dネットワークのプロトタイプと線形補間する。
論文参考訳（メタデータ） (2023-03-01T17:57:09Z)
Automated airway segmentation by learning graphical structure [0.76146285961466]
我々は,既存の畳み込みニューラルネットワーク(CNN)とグラフニューラルネットワーク(GNN)に基づく気道セグメンテーションの高度な手法を提唱した。提案モデルにより,CNN法とGNN法を併用した場合,胸部CTスキャンの気管支をほとんどの症例で検出できることが示唆された。
論文参考訳（メタデータ） (2021-09-30T01:37:31Z)
DV-Det: Efficient 3D Point Cloud Object Detection with Dynamic Voxelization [0.0]
本稿では,効率的な3Dポイント・クラウド・オブジェクト検出のための新しい2段階フレームワークを提案する。生のクラウドデータを3D空間で直接解析するが、目覚ましい効率と精度を実現する。我々は,75 FPSでKITTI 3Dオブジェクト検出データセットを,25 FPSの推論速度で良好な精度でOpenデータセット上で強調する。
論文参考訳（メタデータ） (2021-07-27T10:07:39Z)
Trajectory Design for UAV-Based Internet-of-Things Data Collection: A Deep Reinforcement Learning Approach [93.67588414950656]
本稿では,無人航空機(UAV)による3D環境におけるIoT(Internet-of-Things)システムについて検討する。本稿では,TD3-TDCTMアルゴリズムの完成時間最小化のためのトラジェクトリ設計を提案する。シミュレーションの結果,従来の3つの非学習ベースライン法よりもTD3-TDCTMアルゴリズムの方が優れていることが示された。
論文参考訳（メタデータ） (2021-07-23T03:33:29Z)
InfoFocus: 3D Object Detection for Autonomous Driving with Dynamic Information Modeling [65.47126868838836]
動的情報モデリングを用いた新しい3次元オブジェクト検出フレームワークを提案する。粗い予測は、ボクセルベースの領域提案ネットワークを介して第1段階で生成される。大規模なnuScenes 3D検出ベンチマークで実験を行った。
論文参考訳（メタデータ） (2020-07-16T18:27:08Z)
SSN: Shape Signature Networks for Multi-class Object Detection from Point Clouds [96.51884187479585]
点雲から形状情報を探索する新しい3次元形状シグネチャを提案する。対称, 凸船体, チェビシェフフィッティングの操作を取り入れることで, 提案した形状のシグ・ナチュアはコンパクトで有効であるだけでなく, 騒音にも頑健である。実験により,提案手法は2つの大規模データセット上の既存手法よりも著しく優れた性能を示した。
論文参考訳（メタデータ） (2020-04-06T16:01:41Z)
Hypergraph Spectral Analysis and Processing in 3D Point Cloud [80.25162983501308]
3Dポイントクラウドは、3Dオブジェクトや周囲を特徴付ける基本的なデータ構造になっている。 3次元点雲を効率的に処理するには、基礎となる構造と外周騒音に適したモデルが常に重要である。本稿では,高速な解析と処理が可能なハイパーグラフベースの新しいポイントクラウドモデルを提案する。
論文参考訳（メタデータ） (2020-01-08T05:30:16Z)
PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection [76.30585706811993]
我々はPointVoxel-RCNN(PV-RCNN)という新しい高性能な3Dオブジェクト検出フレームワークを提案する。提案手法は3次元ボクセル畳み込みニューラルネットワーク(CNN)とPointNetベースの集合抽象化の両方を深く統合する。 3DボクセルCNNの効率的な学習と高品質な提案と、PointNetベースのネットワークのフレキシブル・レセプティブ・フィールドを利用する。
論文参考訳（メタデータ） (2019-12-31T06:34:10Z)

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。