論文の概要: DIVESPOT: Depth Integrated Volume Estimation of Pile of Things Based on Point Cloud
- arxiv url: http://arxiv.org/abs/2407.05415v1
- Date: Sun, 7 Jul 2024 15:40:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-09 19:47:49.301698
- Title: DIVESPOT: Depth Integrated Volume Estimation of Pile of Things Based on Point Cloud
- Title（参考訳）: DIVESPOT:ポイントクラウドに基づく物の杭の深さ積分体積推定
- Authors: Yiran Ling, Rongqiang Zhao, Yixuan Shen, Dongbo Li, Jing Jin, Jie Liu,
- Abstract要約: 本稿では,ポイントクラウド技術に基づくDIVESPOT(Depth Integrated Volume EStimation of Pile Of Things)を提案する。
不安定な計測ポーズの課題に対して、点雲ポーズ補正とフィルタリングアルゴリズムが設計されている。
光干渉に対処し、トレーニングデータに依存するのを避けるために、高さ分布に基づく地上特徴抽出アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 5.672816151027511
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Non-contact volume estimation of pile-type objects has considerable potential in industrial scenarios, including grain, coal, mining, and stone materials. However, using existing method for these scenarios is challenged by unstable measurement poses, significant light interference, the difficulty of training data collection, and the computational burden brought by large piles. To address the above issues, we propose the Depth Integrated Volume EStimation of Pile Of Things (DIVESPOT) based on point cloud technology in this study. For the challenges of unstable measurement poses, the point cloud pose correction and filtering algorithm is designed based on the Random Sample Consensus (RANSAC) and the Hierarchical Density-Based Spatial Clustering of Applications with Noise (HDBSCAN). To cope with light interference and to avoid the relying on training data, the height-distribution-based ground feature extraction algorithm is proposed to achieve RGB-independent. To reduce the computational burden, the storage space optimizing strategy is developed, such that accurate estimation can be acquired by using compressed voxels. Experimental results demonstrate that the DIVESPOT method enables non-data-driven, RGB-independent segmentation of pile point clouds, maintaining a volume calculation relative error within 2%. Even with 90% compression of the voxel mesh, the average error of the results can be under 3%.
- Abstract（参考訳）: 杭状物体の非接触体積推定は, 穀物, 石炭, 鉱業, 石材などの工業的シナリオにおいて大きな可能性を秘めている。
しかし、これらのシナリオに既存の手法を用いることは、不安定な測定ポーズ、大きな光干渉、トレーニングデータ収集の難しさ、大きな山による計算負担などによって困難である。
以上の課題に対処するため,本研究では,ポイントクラウド技術に基づくDIVESPOT(Depth Integrated Volume EStimation of Pile Of Things)を提案する。
不安定な計測ポーズの課題に対しては、RANSAC(Random Sample Consensus)とHDBSCAN(Hierarchical Density-Based Spatial Clustering of Applications with Noise)に基づいて、ポイントクラウドのポーズ補正とフィルタリングアルゴリズムを設計する。
光干渉に対処し、トレーニングデータに依存するのを避けるために、高さ分布に基づく地上特徴抽出アルゴリズムを提案し、RGB非依存を実現する。
計算負担を軽減するため、圧縮されたボクセルを用いて正確な推定を行うことができるように、記憶空間最適化戦略を開発する。
実験の結果, DIVESPOT法により, 杭点雲の非データ駆動RGB非依存セグメンテーションが可能であり, 体積計算相対誤差を2%以下に抑えることができた。
ボクセルメッシュを90%圧縮しても、平均誤差は3%以下である。
関連論文リスト
- LightOctree: Lightweight 3D Spatially-Coherent Indoor Lighting Estimation [4.079873017864992]
一つのRGB画像から空間的コヒーレントな室内照明を推定するための軽量な解を提案する。
本稿では,3次元空間コヒーレント照明を実現するために,ボクセルオクツリーを用いた照明推定フレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-05T07:15:06Z) - Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with
Latent Geometric-Consistent Learning [52.825441454264585]
Voxel-based Network (textbfPU-VoxelNet) を用いた任意のスケールのクラウド・アップサンプリング・フレームワークを提案する。
ボクセル表現から継承された完全性と規則性により、ボクセルベースのネットワークは3次元表面を近似する事前定義されたグリッド空間を提供することができる。
密度誘導グリッド再サンプリング法を開発し、高忠実度点を生成するとともに、サンプリング出力を効果的に回避する。
論文 参考訳（メタデータ） (2024-03-08T07:31:14Z) - RGB-based Category-level Object Pose Estimation via Decoupled Metric
Scale Recovery [72.13154206106259]
本研究では、6次元のポーズとサイズ推定を分離し、不完全なスケールが剛性変換に与える影響を緩和するパイプラインを提案する。
具体的には,事前学習した単分子推定器を用いて局所的な幾何学的情報を抽出する。
別個のブランチは、カテゴリレベルの統計に基づいてオブジェクトのメートル法スケールを直接復元するように設計されている。
論文 参考訳（メタデータ） (2023-09-19T02:20:26Z) - A Real-time Faint Space Debris Detector With Learning-based LCM [4.454216126942097]
本稿では,局所コントラストと最大推定値(MLE)に基づく低SNRストリーク抽出手法を提案する。
このアルゴリズムは高速かつ高精度であり,高ダイナミックターゲット抽出における将来性を保証する。
論文 参考訳（メタデータ） (2023-09-15T08:37:28Z) - An Efficient Convex Hull-based Vehicle Pose Estimation Method for 3D
LiDAR [1.9580473532948401]
自動運転車の認識技術において,LiDARを用いた車両の姿勢推定が不可欠である。
既存のポーズ推定手法を用いて3次元LiDARに基づく良好なポーズ抽出を実現することは困難である。
凸船体に基づく新しい車両のポーズ推定手法を提案する。
論文 参考訳（メタデータ） (2023-02-02T11:57:41Z) - Super-resolution GANs of randomly-seeded fields [68.8204255655161]
ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。
このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。
提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
論文 参考訳（メタデータ） (2022-02-23T18:57:53Z) - The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。
具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。
KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文 参考訳（メタデータ） (2022-01-29T10:54:57Z) - Featurized Density Ratio Estimation [82.40706152910292]
本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。
この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。
同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
論文 参考訳（メタデータ） (2021-07-05T18:30:26Z) - Accurate and Robust Scale Recovery for Monocular Visual Odometry Based
on Plane Geometry [7.169216737580712]
地上面の高精度かつロバストな推定を生かした軽量なスケール復元フレームワークを開発した。
KITTIデータセットの実験により,提案したフレームワークが翻訳誤りの点から最先端の精度を達成できることが示されている。
軽量な設計のため、我々のフレームワークはデータセット上で20Hzの高周波数を示す。
論文 参考訳（メタデータ） (2021-01-15T07:21:24Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳（メタデータ） (2020-07-07T18:25:25Z)
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。