論文の概要: The Sound of Water: Inferring Physical Properties from Pouring Liquids

• arxiv url: http://arxiv.org/abs/2411.11222v1
• Date: Mon, 18 Nov 2024 01:19:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:32:19.546135
• Title: The Sound of Water: Inferring Physical Properties from Pouring Liquids
• Title（参考訳）: 水の音:汚染液から物性を推定する
• Authors: Piyush Bagad, Makarand Tapaswi, Cees G. M. Snoek, Andrew Zisserman,
• Abstract要約: 注水液の音響・視覚観測と物理の関連性について検討した。 本研究の目的は, 液位, 容器形状, 注水速度, 充填時間などの物性を自動的に推定することである。
• 参考スコア（独自算出の注目度）: 85.30865788636386
• License:
• Abstract: We study the connection between audio-visual observations and the underlying physics of a mundane yet intriguing everyday activity: pouring liquids. Given only the sound of liquid pouring into a container, our objective is to automatically infer physical properties such as the liquid level, the shape and size of the container, the pouring rate and the time to fill. To this end, we: (i) show in theory that these properties can be determined from the fundamental frequency (pitch); (ii) train a pitch detection model with supervision from simulated data and visual data with a physics-inspired objective; (iii) introduce a new large dataset of real pouring videos for a systematic study; (iv) show that the trained model can indeed infer these physical properties for real data; and finally, (v) we demonstrate strong generalization to various container shapes, other datasets, and in-the-wild YouTube videos. Our work presents a keen understanding of a narrow yet rich problem at the intersection of acoustics, physics, and learning. It opens up applications to enhance multisensory perception in robotic pouring.
• Abstract（参考訳）: 本研究は,日常の日常的な活動である液体を注ぐことで,音声・視覚的観察と基礎となる物理の関連性について考察する。 容器に注ぐ液体の音だけを考慮すれば, 容器の形状や大きさ, 注水速度, 充填時間などの物理的特性を自動的に推定することが目的である。 この目的のために、私たちは: i) 理論上、これらの性質が基本周波数(ピッチ)から決定可能であることを示す。 二 物理に触発された目的により、模擬データ及び視覚データを監督したピッチ検出モデルを訓練すること。 三 体系的な研究のために、実写ビデオの大規模なデータセットを導入すること。 (iv) トレーニングされたモデルが実際のデータに対してこれらの物理的特性を推測できることを示し、そして最後に (v) さまざまなコンテナの形状、他のデータセット、そして現在開発中のYouTubeビデオに対して、強力な一般化を実証する。 私たちの研究は、音響学、物理学、学習の交差点において、狭くもリッチな問題に対する深い理解を示します。 ロボットの注水における多感覚知覚を高めるための応用を開拓する。

関連論文リスト

• Latent Intuitive Physics: Learning to Transfer Hidden Physics from A 3D Video [58.043569985784806]
  本稿では,物理シミュレーションのための伝達学習フレームワークである潜在直観物理学を紹介する。 単一の3Dビデオから流体の隠れた性質を推測し、新しいシーンで観察された流体をシミュレートすることができる。 我々は,本モデルの有効性を3つの方法で検証する: (i) 学習されたビジュアルワールド物理を用いた新しいシーンシミュレーション, (ii) 観測された流体力学の将来予測, (iii) 教師付き粒子シミュレーション。
  論文  参考訳（メタデータ） (2024-06-18T16:37:44Z)
• Physics3D: Learning Physical Properties of 3D Gaussians via Video Diffusion [35.71595369663293]
  ビデオ拡散モデルを用いて3Dオブジェクトの様々な物理的特性を学習する新しい手法である textbfPhysics3D を提案する。 本手法では,粘弾性材料モデルに基づく高一般化物理シミュレーションシステムを設計する。 弾性材料とプラスチック材料の両方を用いて, 本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-06-06T17:59:47Z)
• Learning Vortex Dynamics for Fluid Inference and Prediction [25.969713036393895]
  本研究では, 可変渦粒子を用いた新しい機械学習手法を提案し, 一つのビデオから流体力学を推論し, 予測する。 そこで我々は, 学習可能な渦対速度のダイナミックスマッピングと組み合わせて, 複雑な流れの特徴を効果的に捉え, 表現するために, 新たな微分可能渦粒子系を考案した。
  論文  参考訳（メタデータ） (2023-01-27T02:10:05Z)
• ComPhy: Compositional Physical Reasoning of Objects and Events from Videos [113.2646904729092]
  目に見える性質と隠れた性質の間の構成性は、物理的な世界から推論するAIモデルに固有の課題をもたらす。 ビデオ推論に関する既存の研究は、主に物体の外観、動き、接触相互作用などの視覚的に観察可能な要素に焦点を当てている。 本稿では,視覚知覚,物理特性学習,動的予測,記号実行を組み合わせた,構成物理学学習(CPL)と呼ばれるオラクルニューラルシンボリックフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-02T17:59:13Z)
• Physics-informed Reinforcement Learning for Perception and Reasoning about Fluids [0.0]
  本研究では,流体知覚と観測からの推論のための物理インフォームド強化学習戦略を提案する。 本研究では,コモディティカメラで自由表面を観察した未確認液体の追跡(知覚)と解析(推論)を行う手法を開発した。
  論文  参考訳（メタデータ） (2022-03-11T07:01:23Z)
• NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural Radiance Fields [65.07940731309856]
  深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。 本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。 我々はNeuroFluidという2段階の異なるネットワークを提案する。 初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
  論文  参考訳（メタデータ） (2022-03-03T15:13:29Z)
• Visual Grounding of Learned Physical Models [66.04898704928517]
  人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。 我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。 実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
  論文  参考訳（メタデータ） (2020-04-28T17:06:38Z)
• Cloth in the Wind: A Case Study of Physical Measurement through Simulation [50.31424339972478]
  実例を一度も見ずに風中の布の潜伏物性を測定することを提案する。 私たちのソリューションは、シミュレーションをコアとした反復的な洗練手順です。 この対応は、物理的に類似した例を近くの点にマッピングする埋め込み関数を用いて測定される。
  論文  参考訳（メタデータ） (2020-03-09T21:32:23Z)

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。