論文の概要: Counting Machine Parts
- arxiv url: http://arxiv.org/abs/2605.17952v1
- Date: Mon, 18 May 2026 07:09:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:48.938343
- Title: Counting Machine Parts
- Title（参考訳）: 計数機械部品
- Authors: Benedict Florance Arockiaraj, Elizabeth Dinella, Ankit Billa, Ajay Anand,
- Abstract要約: 本報告では, 洗濯機部品のカウント問題について検討する。
我々の技術はFamNetの拡張であり、与えられたデータセットでトレーニングされた損失コンポーネントを追加します。
実物体数とモデル出力との間の平均絶対誤差(MAE)とルート平均正方誤差(RMSE)を計算し,これらのアルゴリズムの性能を評価する。
- 参考スコア（独自算出の注目度）: 0.45127516760754416
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Counting objects in an image is a task applicable across many domains. For instance, crowd counting, inventory counting, and cell counting have been the focus of recent research. The major challenges in estimating the count of objects include overlapping objects, object scale issues, occlusions, and varying lighting conditions. In this report, we explore the problem of counting machine washer parts. Our technique is an extension of FamNet with an additional loss component, trained on the given dataset. We compare to three baseline methods: a traditional image processing pipeline, instance segmentation, and density map estimation. We evaluate the performance of these algorithms by computing the Mean Absolute Error (MAE) and the Root Mean Squared Error (RMSE) between the true object counts and the model outputs. Our approach achieves a performance of 1.96 MAE.
- Abstract（参考訳）: イメージ内のオブジェクトをカウントすることは、多くのドメインにまたがるタスクである。
例えば、群衆計数、在庫計数、細胞計数などが最近の研究の焦点となっている。
オブジェクトの数を推定する際の大きな課題は、重複するオブジェクト、オブジェクトスケールの問題、オクルージョン、および様々な照明条件である。
本報告では, 洗濯機部品のカウント問題について検討する。
我々の技術はFamNetの拡張であり、与えられたデータセットでトレーニングされた損失コンポーネントを追加します。
従来の画像処理パイプライン,インスタンスセグメンテーション,密度マップ推定の3つの基本手法を比較した。
実物体数とモデル出力との間の平均絶対誤差(MAE)とルート平均正方誤差(RMSE)を計算し,これらのアルゴリズムの性能を評価する。
提案手法は1.96 MAEの性能を達成する。
関連論文リスト
- Querying Autonomous Vehicle Point Clouds: Enhanced by 3D Object Counting with CounterNet [21.55830632188697]
我々は,RETRIEVAL, COUNT, AGGREGATIONの3つのコアクエリタイプを定義することで,ポイントクラウドクエリを形式化する。
CounterNetは、大規模クラウドデータの正確なオブジェクトカウントのために設計された、ヒートマップベースのネットワークである。
論文 参考訳（メタデータ） (2025-07-25T12:29:21Z) - Counting Stacked Objects [57.68870743111393]
本稿では,タスクを2つの相補的なサブプロブレムに分解する新しい3Dカウント手法を提案する。
幾何学的再構成と深層学習に基づく深度解析を組み合わせることで,コンテナ内の同一物体を正確にカウントすることができる。
多様な実世界および大規模合成データセット上での3Dカウントパイプラインの検証を行う。
論文 参考訳（メタデータ） (2024-11-28T13:51:16Z) - DVMNet++: Rethinking Relative Pose Estimation for Unseen Objects [59.51874686414509]
既存のアプローチでは、通常、接地構造オブジェクト境界ボックスと、多数の離散仮説を持つ近似3次元回転を用いて3次元翻訳を予測している。
本稿では,1回のパスで相対オブジェクトのポーズを計算するDeep Voxel Matching Network (DVMNet++)を提案する。
提案手法は,最先端手法と比較して計算コストの低い新しいオブジェクトに対して,より正確な相対的ポーズ推定を行う。
論文 参考訳（メタデータ） (2024-03-20T15:41:32Z) - Counting from Sky: A Large-scale Dataset for Remote Sensing Object
Counting and A Benchmark Method [52.182698295053264]
リモートセンシング画像から高密度物体をカウントすることに興味がある。自然界における物体のカウントと比較すると、このタスクは、大規模変動、複雑な乱れ背景、配向仲裁といった要因において困難である。
これらの課題に対処するために,我々はまず,4つの重要な地理的対象を含むリモートセンシング画像を用いた大規模オブジェクトカウントデータセットを構築した。
次に、入力画像の密度マップを生成する新しいニューラルネットワークを設計することで、データセットをベンチマークする。
論文 参考訳（メタデータ） (2020-08-28T03:47:49Z) - Counting dense objects in remote sensing images [52.182698295053264]
特定の画像から関心のあるオブジェクトの数を推定するのは、難しいが重要な作業である。
本稿では,リモートセンシング画像から高密度物体を数えることに興味がある。
これらの課題に対処するために,我々はまず,リモートセンシング画像に基づく大規模オブジェクトカウントデータセットを構築した。
次に、入力画像の密度マップを生成する新しいニューラルネットワークを設計することで、データセットをベンチマークする。
論文 参考訳（メタデータ） (2020-02-14T09:13:54Z)
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。