論文の概要: MatcherCompass: A Deployment-Aware Benchmark to Guide Image Matcher Selection in the Wild

• arxiv url: http://arxiv.org/abs/2609.25688v1
• Date: Tue, 22 Sep 2026 04:46:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.227533
• Title: MatcherCompass: A Deployment-Aware Benchmark to Guide Image Matcher Selection in the Wild
• Title（参考訳）: MatcherCompass: 野生のイメージマッチング選択をガイドするためのデプロイ対応ベンチマーク
• Abstract要約: 我々は、フィールドロボティクスにおける局所的な特徴マッチングを選択するためのデプロイメント対応ベンチマークであるMatcherを紹介する。 9つの古典的および学習的マッチングパイプラインを4つの画像解像度で比較し、数値精度をサポートした。
• 参考スコア（独自算出の注目度）: 7.255094167767695
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Field robots operating across time of day and sensing modalities require accurate image correspondences within onboard time and resource budgets. However, accuracy and runtime reported for individual methods on a single device provide limited guidance for choosing a matcher and its configuration on a target platform. We present MatcherCompass, a deployment-aware benchmark for choosing local feature matchers in field robotics. Under common input and pose-evaluation procedures, we compare nine classical and learned matching pipelines across four image resolutions and supported numerical precisions. Four visual conditions cover viewpoint variation, day--night matching in visible and thermal imagery, and daytime visible--thermal matching. We evaluate pose accuracy using the area under the error--recall curve (AUC) at $5^\circ$, $10^\circ$, and $20^\circ$, and measure runtime, GPU memory, and energy per image pair on four GPU platforms spanning workstation and onboard computers. The results show that changes in hardware, input resolution, and numerical precision can move a matcher across a runtime budget boundary, altering the feasible choices. We organize the measurements into a selection guide that returns all configurations satisfying user-specified time and resource limits, together with their accuracy under the selected visual condition. MatcherCompass provides measured evidence for choosing matching pipelines that fit a robot's sensing conditions and computing hardware. Project page: https://matchercompass.github.io/.
• Abstract（参考訳）: フィールドロボットは、日中動作し、モダリティを感知するには、搭載時間とリソース予算内で正確な画像対応が必要である。 しかし、単一のデバイス上の個々のメソッドに対して報告される精度とランタイムは、ターゲットプラットフォーム上のマーカとその構成を選択するための限定的なガイダンスを提供する。 我々は、フィールドロボティクスにおける局所的な特徴マッチングを選択するためのデプロイメント対応ベンチマークであるMatcherCompassを紹介する。 一般的な入力とポーズ評価の手順では、4つの画像解像度にまたがる9つの古典的および学習的マッチングパイプラインを比較し、数値的精度をサポートした。 4つの視覚的条件は、視点の変化、可視・熱画像における日中マッチング、および日中可視-熱的マッチングをカバーしている。 ワークステーションとオンボードコンピュータにまたがる4つのGPUプラットフォーム上で,5^\circ$,10^\circ$,20^\circ$の誤差リコール曲線(AUC)の領域を用いてポーズ精度を評価し,実行時,GPUメモリ,画像ペア当たりのエネルギを測定した。 その結果, ハードウェア, 入力解像度, 数値精度の変化は, 整合器をランタイム予算境界を越えて移動させ, 実現可能な選択を変更できることが示唆された。 ユーザが指定した時間とリソース制限を満たすすべての設定を、選択した視覚条件下での精度とともに返却する選択ガイドに整理する。 MatcherCompassは、ロボットの感知条件とコンピューティングハードウェアに適合するパイプラインを選択するための測定された証拠を提供する。 プロジェクトページ: https://matchercompass.github.io/

関連論文リスト

• Disagree to Explore, Agree to Commit: Routing-Guided Test-Time Scaling for Software Agents [60.650808962786364]
  外部判断や選択時間テストの実行なしに,ネイティブなMoEルータトレースがステアリングと選択をガイドできるかどうかを検討する。 我々の分析は、ルーティングが堅牢な行動的役割シグナルを提供することを示している。トークン・グラニュラ・リードアウトと決定整合比較セットは、ルーティングを効果的に制御する。 オープンウェイトスパースMOEエージェントを用いたSWEベンチ検証を行い,評価を行った。
  論文  参考訳（メタデータ） (2026-08-23T03:07:03Z)
• OctoSense: Self-Supervised Learning for Multimodal Robot Perception [50.20346079739425]
  ステレオカメラとイベントカメラ、LiDAR、サーマルカメラ、慣性測定ユニット、プロプリセプション(車からのCANバスデータ、四足歩行ロボットの関節角度)を備えたオープンソースのセンサプラットフォームであるOctoSenseについて述べる。 匿名のOctoSenseデータセットには、59時間の時間同期駆動データが含まれている。 このような実世界のデータを用いて,センサの表現,周波数,レイテンシ,ノイズの異なるマルチモーダル自己教師型学習を実演する。
  論文  参考訳（メタデータ） (2026-06-25T17:30:49Z)
• LookWhere? Efficient Visual Recognition by Learning Where to Look and What to See from Self-Supervision [10.461453853510964]
  視覚変換器はより大きく、より正確で、計算に費用がかかる。 我々は、このコストに対応するために適応計算に切り替え、計算の場所を予測することを学習する。 我々のLookWhere法は,高分解能入力を処理せずに,低分解能セレクタと高分解能抽出器を分割する。
  論文  参考訳（メタデータ） (2025-05-23T15:56:35Z)
• Learning to Make Keypoints Sub-Pixel Accurate [80.55676599677824]
  本研究は,2次元局所特徴の検出におけるサブピクセル精度の課題に対処する。 本稿では,検出された特徴に対するオフセットベクトルを学習することにより,サブピクセル精度で検出器を拡張できる新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2024-07-16T12:39:56Z)
• Camera calibration for the surround-view system: a benchmark and dataset [2.1092968889055412]
  本研究では,外因性パラメータを頑健に推定する特定のキャリブレーションパイプラインを提案する。 提案したパイプラインは、実走行環境における4つのSVSカメラ外在パラメータを頑健に推定することができる。 実際の交通シナリオから取得した40の動画と32,000のフレームを含むサラウンドビューの魚眼データセットを構築します。
  論文  参考訳（メタデータ） (2023-12-27T10:12:06Z)
• Learning to Detect Good Keypoints to Match Non-Rigid Objects in RGB Images [7.428474910083337]
  本稿では,非剛性画像対応タスクの正マッチ数を最大化するために,新しい学習キーポイント検出手法を提案する。 我々のトレーニングフレームワークは、アノテートされた画像対と予め定義された記述子抽出器をマッチングして得られる真の対応を利用して、畳み込みニューラルネットワーク(CNN)を訓練する。 実験の結果,本手法は平均整合精度で20時までに非剛体物体の実像に対して,最先端のキーポイント検出器よりも優れていた。
  論文  参考訳（メタデータ） (2022-12-13T11:59:09Z)
• MatchFormer: Interleaving Attention in Transformers for Feature Matching [31.175513306917654]
  そこで我々は,MatchFormerと呼ばれる新しい階層型抽出・整合変換器を提案する。 特徴抽出のための自己注意と特徴マッチングのための相互注意をインターリーブし、人間の直感的な抽出・マッチング方式を実現する。 この戦略のおかげで、MatchFormerは効率、堅牢性、精度のマルチウィンソリューションである。
  論文  参考訳（メタデータ） (2022-03-17T22:49:14Z)
• Learning Tracking Representations via Dual-Branch Fully Transformer Networks [82.21771581817937]
  追従のためのトランスフォーマーのみをベースとした,シームズ型デュアルブランチネットワークを提案する。 注目ウィンドウ内の他のパッチとのマッチング結果に基づいて,各パッチの特徴ベクトルを抽出する。 この手法は、最高の性能の方法として、より良い結果または同等の結果を得る。
  論文  参考訳（メタデータ） (2021-12-05T13:44:33Z)
• Displacement-Invariant Cost Computation for Efficient Stereo Matching [122.94051630000934]
  ディープラーニング手法は、前例のない不一致の精度を得ることによって、ステレオマッチングのリーダーボードを支配してきた。 しかし、その推測時間は一般的に540p画像の秒数で遅い。 本研究では,4次元特徴量を必要としないEmphdisplacement-invariant cost moduleを提案する。
  論文  参考訳（メタデータ） (2020-12-01T23:58:16Z)
• Modality-Buffet for Real-Time Object Detection [25.89199578900324]
  軽量ハードウェアを用いたビデオにおけるリアルタイム物体検出は多くのロボット作業において重要な要素である。 1つの選択肢は、フレーム毎にすべてのモダリティを同時に予測できる非常に軽量なモデルを持つことです。 我々は、このタスクを逐次決定問題として定式化し、強化学習(RL)を使用して、次の予測を行うために、異なる対象検出器のポートフォリオから検出するRGB入力から決定するポリシーを生成する。
  論文  参考訳（メタデータ） (2020-11-17T15:57:06Z)
• Unsupervised Feature Learning for Event Data: Direct vs Inverse Problem Formulation [53.850686395708905]
  イベントベースのカメラは、ピクセルごとの明るさ変化の非同期ストリームを記録する。 本稿では,イベントデータからの表現学習のための単一層アーキテクチャに焦点を当てる。 我々は,最先端手法と比較して,認識精度が最大9%向上したことを示す。
  論文  参考訳（メタデータ） (2020-09-23T10:40:03Z)

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。