論文の概要: DeepKalPose: An Enhanced Deep-Learning Kalman Filter for Temporally Consistent Monocular Vehicle Pose Estimation
- arxiv url: http://arxiv.org/abs/2404.16558v1
- Date: Thu, 25 Apr 2024 12:15:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-26 13:49:56.885246
- Title: DeepKalPose: An Enhanced Deep-Learning Kalman Filter for Temporally Consistent Monocular Vehicle Pose Estimation
- Title(参考訳): DeepKalPose:一時一貫した単眼車両姿勢推定のための改良型ディープラーニングカルマンフィルタ
- Authors: Leandro Di Bella, Yangxintong Lyu, Adrian Munteanu,
- Abstract要約: DeepKalPoseは、ディープラーニングベースのKalmanフィルタを用いて、ビデオに適用される単眼車ポーズ推定における時間的一貫性を高める新しいアプローチである。
提案手法は, 各種条件, 特に閉塞車や遠距離車において, ポーズ精度とロバスト性を大幅に向上させる。
- 参考スコア(独自算出の注目度): 6.483509903853654
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper presents DeepKalPose, a novel approach for enhancing temporal consistency in monocular vehicle pose estimation applied on video through a deep-learning-based Kalman Filter. By integrating a Bi-directional Kalman filter strategy utilizing forward and backward time-series processing, combined with a learnable motion model to represent complex motion patterns, our method significantly improves pose accuracy and robustness across various conditions, particularly for occluded or distant vehicles. Experimental validation on the KITTI dataset confirms that DeepKalPose outperforms existing methods in both pose accuracy and temporal consistency.
- Abstract(参考訳): 本稿では,DeepKalPoseについて述べる。これは深層学習に基づくKalmanフィルタを用いて,ビデオに適用される単眼車両のポーズ推定における時間的一貫性を高めるための新しいアプローチである。
複雑な動作パターンを表現するための学習可能な動作モデルと組み合わせて, 前方および後方の時系列処理を利用した双方向カルマンフィルタ戦略を統合することにより, 特に閉塞車両や遠距離車両において, 各種条件におけるポーズ精度とロバスト性を大幅に向上する。
KITTIデータセットに対する実験的検証では、DeepKalPoseが既存のメソッドよりも正確さと時間的一貫性に優れていることが確認されている。
関連論文リスト
- 4-Dimensional deformation part model for pose estimation using Kalman
filter constraints [0.0]
本論文の主な目的は, 4次元変形部モデル部分解に加わったカルマンフィルタを用いた場合のポーズ推定精度への影響を分析することである。
実験は、この手法が最先端の手法と比較してポーズ推定精度を向上し、カルマンフィルタがこの精度を向上させることを示す2つのデータセットで実行される。
論文 参考訳(メタデータ) (2024-02-07T15:37:17Z) - Split-KalmanNet: A Robust Model-Based Deep Learning Approach for SLAM [101.32324781612172]
SLAMは、未知の環境の地図を構築し、地図上の移動エージェントの位置を同時にローカライズする手法である。
拡張カルマンフィルタ(EKF)は、オンラインSLAMの低複雑性ソリューションとして広く採用されている。
スプリットカルマンネット(Split-KalmanNet)と呼ばれるオンラインSLAMにおいて,ディープラーニングのパワーを用いた頑健なEKFアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-10-18T07:10:38Z) - Globally Consistent Video Depth and Pose Estimation with Efficient
Test-Time Training [15.46056322267856]
我々は、動きから学習に基づくビデオ構造(SfM)のグローバルな一貫した方法であるGCVDを提案する。
GCVDはコンパクトなポーズグラフをCNNベースの最適化に統合し、効率的な選択機構からグローバルに一貫した結果を得る。
実験の結果,GCVDは深さと姿勢の両面において最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2022-08-04T15:12:03Z) - A Look at Improving Robustness in Visual-inertial SLAM by Moment
Matching [17.995121900076615]
本稿では,拡張カルマンフィルタ(EKF)がもたらす実用的意味と限界について批判的な考察を行う。
我々は,視覚-慣性計測と視覚SLAMの両方にモーメントマッチング(未開のカルマンフィルタリング)アプローチを採用する。
論文 参考訳(メタデータ) (2022-05-27T08:22:03Z) - A Model for Multi-View Residual Covariances based on Perspective
Deformation [88.21738020902411]
マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。
我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
論文 参考訳(メタデータ) (2022-02-01T21:21:56Z) - KalmanNet: Neural Network Aided Kalman Filtering for Partially Known
Dynamics [84.18625250574853]
KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。
我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
論文 参考訳(メタデータ) (2021-07-21T12:26:46Z) - Layer Pruning on Demand with Intermediate CTC [50.509073206630994]
我々はコネクショニスト時間分類(CTC)に基づくASRの訓練と刈り取り方法を提案する。
本稿では,Transformer-CTCモデルをオンデマンドで様々な深さでプルーニングできることを示し,GPU上でのリアルタイム係数を0.005から0.002に改善した。
論文 参考訳(メタデータ) (2021-06-17T02:40:18Z) - A Plug-and-play Scheme to Adapt Image Saliency Deep Model for Video Data [54.198279280967185]
本稿では,ビデオデータに対して予め訓練された画像の鮮度深度モデルを弱めに再学習する新しいプラグイン・アンド・プレイ方式を提案する。
本手法は,既訓練画像の深度モデルに適応して高品質な映像の鮮度検出を実現するのに有効である。
論文 参考訳(メタデータ) (2020-08-02T13:23:14Z) - Deep Keypoint-Based Camera Pose Estimation with Geometric Constraints [80.60538408386016]
連続するフレームから相対的なカメラのポーズを推定することは、視覚計測の基本的な問題である。
本稿では,検出,特徴抽出,マッチング,外乱除去のための学習可能なモジュールで構成されるエンドツーエンドのトレーニング可能なフレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-29T21:41:31Z) - TLIO: Tight Learned Inertial Odometry [43.17991168599939]
IMUのみの状態推定のための密結合拡張カルマンフィルタフレームワークを提案する。
ヘッドセットからの歩行者データでトレーニングされた我々のネットワークは、統計的に一貫した測定と不確実性を生み出すことができる。
論文 参考訳(メタデータ) (2020-07-06T03:13:34Z)
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。