論文の概要: Calibration and Comparative Analysis of Forward-Looking Sonar and 3D Sonar for Enhanced Underwater Object Recognition

• arxiv url: http://arxiv.org/abs/2608.29433v1
• Date: Sat, 29 Aug 2026 20:40:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.958986
• Title: Calibration and Comparative Analysis of Forward-Looking Sonar and 3D Sonar for Enhanced Underwater Object Recognition
• Title（参考訳）: 水中物体認識のための前向きソナーと3次元ソナーの校正と比較解析
• Abstract要約: 本稿では,2次元の強度画像を生成する2つのソナーモードと,3次元の点雲を生成する2つの異なるソナーモードを提案する。 自動校正を行うことで、モーダル間のノイズのある特徴をフィルタリングし、特徴抽出を強化することができる。
• 参考スコア（独自算出の注目度）: 13.121544585798025
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Sonars generate a significant amount of noise. With the advent of new technology capable of producing full 3D point clouds, the noise is amplified in sparse point clouds, making it challenging to recognize features for navigation, recognition, or reconstruction. To address this challenge, we propose using two different sonar modalities: one that produces a 2D intensity image and another that generates a 3D point cloud. By implementing auto-calibration, we can filter out noisy features between the modalities to enhance feature extraction. Experiments demonstrate that auto-calibration improves performance over manual calibration by 5% and that filtering enhances feature extraction by more than 40% relative to the raw point cloud. Code and datasets are given at https://theaprilab.org/fls-3d-calibrator
• Abstract（参考訳）: ソナーは大量のノイズを発生させる。 完全な3Dポイントクラウドを生成できる新しい技術の出現により、ノイズはスパースポイントクラウドに増幅され、ナビゲーション、認識、再構築の機能を認識することが困難になる。 この課題に対処するために,2次元の強度画像を生成する2つのソナーモードと,3次元の点雲を生成する2つの異なるソナーモードを提案する。 自動校正を行うことで、モーダル間のノイズのある特徴をフィルタリングし、特徴抽出を強化することができる。 実験により、自動校正は手動の校正よりも5%以上性能を向上し、フィルタリングは生の点雲に対して40%以上機能抽出を向上させることが示された。 コードとデータセットはhttps://theaprilab.org/fls-3d-calibratorで提供される

関連論文リスト

• Face recognition on point cloud with cgan-top for denoising [28.209519473639627]
  ノイズの多い点雲上でのエンドツーエンドの3D顔認識を提案する。 CGAN-TOP (Consulal Generative Adrial Network on Three Orthogonal Planes) は、点雲のノイズを取り除くために設計されている。 リンクされた動的グラフ畳み込みニューラルネットワーク(LDGCNN)は、処理されたポイントクラウドから顔を認識するように適合する。
  論文  参考訳（メタデータ） (2025-06-07T17:09:31Z)
• PFGS: High Fidelity Point Cloud Rendering via Feature Splatting [5.866747029417274]
  スパースポイントから高品質な画像をレンダリングする新しいフレームワークを提案する。 この手法はまず3次元ガウス格子と点雲のレンダリングを橋渡しする。 異なるベンチマーク実験により、レンダリング品質と主成分の必要性の観点から、我々の手法の優位性を示す。
  論文  参考訳（メタデータ） (2024-07-04T11:42:54Z)
• Few-shot point cloud reconstruction and denoising via learned Guassian splats renderings and fine-tuned diffusion features [52.62053703535824]
  本稿では,少数の画像から点雲を再構成し,そのレンダリングから点雲を識別する手法を提案する。 制約条件下での再構成を改善するため,ハイブリッド表面と外観の相違点のトレーニングを規則化する。 これらの学習したフィルタを使って、3Dの監督なしに来る点雲ノイズを除去する方法を実証する。
  論文  参考訳（メタデータ） (2024-04-01T13:38:16Z)
• NeRF-Det++: Incorporating Semantic Cues and Perspective-aware Depth Supervision for Indoor Multi-View 3D Detection [72.0098999512727]
  NeRF-Detは、NeRFを用いた屋内マルチビュー3次元検出において、表現学習の強化による優れた性能を実現している。 セマンティックエンハンスメント(セマンティックエンハンスメント)、パースペクティブ・アウェア・サンプリング(パースペクティブ・アウェア・サンプリング)、および順序深度監視を含む3つのソリューションを提案する。 結果として得られたアルゴリズムであるNeRF-Det++は、ScanNetV2とAR KITScenesデータセットで魅力的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-02-22T11:48:06Z)
• Mip-Splatting: Alias-free 3D Gaussian Splatting [52.366815964832426]
  3D Gaussian Splattingは素晴らしいビュー合成結果を示し、高い忠実度と効率を実現した。 ストロングアーティファクトは、サンプリングレート、例えば焦点距離やカメラ距離を変えることで観測することができる。 この現象の原因は,3次元周波数制約の欠如と2次元拡張フィルタの利用によると考えられる。
  論文  参考訳（メタデータ） (2023-11-27T13:03:09Z)
• Test-Time Augmentation for 3D Point Cloud Classification and Segmentation [40.62640761825697]
  データ拡張は、ディープラーニングタスクのパフォーマンスを向上させるための強力なテクニックである。 本研究は,3次元点雲に対するTTA(Test-time augmentation)について検討する。
  論文  参考訳（メタデータ） (2023-11-22T04:31:09Z)
• Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent with Learned Distance Functions [77.32043242988738]
  我々は、任意のアップサンプリングレートをサポートする、正確なポイントクラウドアップサンプリングのための新しいフレームワークを提案する。 提案手法は,まず,所定のアップサンプリング率に応じて低解像度の雲を補間する。
  論文  参考訳（メタデータ） (2023-04-24T06:36:35Z)
• TriVol: Point Cloud Rendering via Triple Volumes [57.305748806545026]
  我々は,高密度かつ軽量な3D表現であるTriVolをNeRFと組み合わせて,点雲から写実的な画像を描画する。 我々のフレームワークは、微調整なしでシーン/オブジェクトのカテゴリを描画できる優れた一般化能力を持っている。
  論文  参考訳（メタデータ） (2023-03-29T06:34:12Z)
• Point2Pix: Photo-Realistic Point Cloud Rendering via Neural Radiance Fields [63.21420081888606]
  最近の放射場と拡張法は、2次元入力から現実的な画像を合成するために提案されている。 我々は3次元スパース点雲と2次元高密度画像画素を結びつけるための新しい点としてPoint2Pixを提示する。
  論文  参考訳（メタデータ） (2023-03-29T06:26:55Z)

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。