論文の概要: 3D-Plotting Algorithm for Insects using YOLOv5

• arxiv url: http://arxiv.org/abs/2401.17714v1
• Date: Wed, 31 Jan 2024 10:09:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-01 15:02:46.658097
• Title: 3D-Plotting Algorithm for Insects using YOLOv5
• Title（参考訳）: YOLOv5を用いた昆虫の3次元プロッティングアルゴリズム
• Authors: Daisuke Mori, Hiroki Hayami, Yasufumi Fujimoto, Isao Goto
• Abstract要約: 本研究では,3次元の昆虫を簡易かつ安価にモニタリングする方法を開発した(3D)。 本研究の主な成果は、安価なカメラやその他の機器を用いた3Dモニタリングアルゴリズムを作成することである。 昆虫の詳細な3D視覚化を提供することで、このプロットアルゴリズムは、昆虫が環境の中でどのように相互作用するかをより効果的に理解するのに役立つ。
• 参考スコア（独自算出の注目度）: 0.098314893665023
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In ecological research, accurately collecting spatiotemporal position data is a fundamental task for understanding the behavior and ecology of insects and other organisms. In recent years, advancements in computer vision techniques have reached a stage of maturity where they can support, and in some cases, replace manual observation. In this study, a simple and inexpensive method for monitoring insects in three dimensions (3D) was developed so that their behavior could be observed automatically in experimental environments. The main achievements of this study have been to create a 3D monitoring algorithm using inexpensive cameras and other equipment to design an adjusting algorithm for depth error, and to validate how our plotting algorithm is quantitatively precise, all of which had not been realized in conventional studies. By offering detailed 3D visualizations of insects, the plotting algorithm aids researchers in more effectively comprehending how insects interact within their environments.
• Abstract（参考訳）: 生態学研究において、時空間的位置データを正確に収集することは、昆虫や他の生物の行動や生態を理解するための基本的なタスクである。 近年、コンピュータビジョン技術の進歩は、手作業による観察を補助したり、置き換えたりできる成熟段階に達している。 本研究では, 実験環境において昆虫の挙動を自動で観察できるように, 簡便で安価な3次元の昆虫観察法を開発した。 本研究の主な成果は,安価カメラやその他の機器を用いた3次元監視アルゴリズムを作成し,奥行き誤差の調整アルゴリズムを設計し,従来の研究では実現されていなかったプロットアルゴリズムが定量的に正確であるかを検証することである。 昆虫の詳細な3d可視化を提供することで、プロットアルゴリズムは昆虫が環境の中でどのように相互作用するかをより効果的に理解するのに役立つ。

関連論文リスト

• A study of animal action segmentation algorithms across supervised, unsupervised, and semi-supervised learning paradigms [3.597220870252727]
  本稿では,教師付き深層ニューラルネットワークと教師なしグラフィカルモデルとのギャップを埋める半教師付きアクションセグメンテーションモデルを提案する。 時間的情報を加えることで、完全に管理された時間的畳み込みネットワークが、すべてのデータセットで監視されたメトリクスで最高のパフォーマンスを発揮することが分かりました。
  論文  参考訳（メタデータ） (2024-07-23T14:22:16Z)
• Insect Identification in the Wild: The AMI Dataset [35.41544843896443]
  昆虫は世界の生物多様性の半分を占めるが、世界の昆虫の多くは姿を消している。 この危機にもかかわらず、昆虫の多様性と豊かさに関するデータはいまだに不十分である。 昆虫認識のための大規模な機械学習ベンチマークを初めて提供します。
  論文  参考訳（メタデータ） (2024-06-18T09:57:02Z)
• Robustness-Aware 3D Object Detection in Autonomous Driving: A Review and Outlook [19.539295469044813]
  本研究は,現実シナリオ下での知覚システム評価において,精度と遅延とともに頑健性の重要性を強調した。 我々の研究は、カメラのみ、LiDARのみ、マルチモーダルな3Dオブジェクト検出アルゴリズムを広範囲に調査し、精度、レイテンシ、堅牢性の間のトレードオフを徹底的に評価する。 これらのうち、多モード3D検出手法は優れた堅牢性を示し、新しい分類法を導入し、文献を改良して明瞭性を高める。
  論文  参考訳（メタデータ） (2024-01-12T12:35:45Z)
• Unsupervised Domain Adaptation for Monocular 3D Object Detection via Self-Training [57.25828870799331]
  我々は、Mono3D上での教師なしドメイン適応のための新しい自己学習フレームワークSTMono3Dを提案する。 対象ドメイン上で適応的な擬似ラベルを生成するための教師学生パラダイムを開発する。 STMono3Dは、評価されたすべてのデータセットで顕著なパフォーマンスを達成し、KITTI 3Dオブジェクト検出データセットの完全な教師付き結果を超えています。
  論文  参考訳（メタデータ） (2022-04-25T12:23:07Z)
• On Triangulation as a Form of Self-Supervision for 3D Human Pose Estimation [57.766049538913926]
  ラベル付きデータが豊富である場合, 単一画像からの3次元ポーズ推定に対する改良されたアプローチは, 極めて効果的である。 最近の注目の多くは、セミと(あるいは)弱い教師付き学習に移行している。 本稿では,多視点の幾何学的制約を,識別可能な三角測量を用いて課し,ラベルがない場合の自己監督の形式として用いることを提案する。
  論文  参考訳（メタデータ） (2022-03-29T19:11:54Z)
• Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
  3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。 本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。 ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
  論文  参考訳（メタデータ） (2021-12-02T12:45:46Z)
• Spatio-temporal Self-Supervised Representation Learning for 3D Point Clouds [96.9027094562957]
  ラベルのないタスクから学習できる時間的表現学習フレームワークを導入する。 幼児が野生の視覚的データからどのように学ぶかに触発され、3Dデータから派生した豊かな手がかりを探索する。 STRLは3Dポイントクラウドシーケンスから2つの時間的関連フレームを入力として、空間データ拡張で変換し、不変表現を自己指導的に学習する。
  論文  参考訳（メタデータ） (2021-09-01T04:17:11Z)
• ST3D: Self-training for Unsupervised Domain Adaptation on 3D ObjectDetection [78.71826145162092]
  点雲からの3次元物体検出における教師なし領域適応のための新しい領域適応型自己学習パイプラインST3Dを提案する。 当社のST3Dは、評価されたすべてのデータセットで最先端のパフォーマンスを達成し、KITTI 3Dオブジェクト検出ベンチマークで完全に監視された結果を超えます。
  論文  参考訳（メタデータ） (2021-03-09T10:51:24Z)
• PLUME: Efficient 3D Object Detection from Stereo Images [95.31278688164646]
  既存の手法では、2つのステップでこの問題に対処する: 第一深度推定を行い、その深さ推定から擬似LiDAR点雲表現を計算し、3次元空間で物体検出を行う。 この2つのタスクを同一のメトリック空間で統一するモデルを提案する。 提案手法は,既存の手法と比較して推定時間を大幅に削減し,挑戦的なKITTIベンチマークの最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-01-17T05:11:38Z)
• FLIVVER: Fly Lobula Inspired Visual Velocity Estimation & Ranging [0.0]
  小さな昆虫や昆虫サイズのロボットは、その絶対速度と近くの物体までの距離を推定することができる。 本稿では,動的前方運動の幾何学と昆虫視覚処理のインスピレーションを組み合わせた新しいアルゴリズムFLIVVERを提案する。 我々のアルゴリズムは、昆虫が絶対速度を推定する方法の明確な仮説を提供し、また効率的な状態推定のために高速アナログ回路を設計するための理論的枠組みを提供する。
  論文  参考訳（メタデータ） (2020-04-10T22:35:13Z)

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。