Fugu-MT 論文翻訳(概要): Synthetic-to-Real ViT-Based Pose Estimation of a Noncooperative UAV

論文の概要: Synthetic-to-Real ViT-Based Pose Estimation of a Noncooperative UAV

arxiv url: http://arxiv.org/abs/2610.04335v1
Date: Sat, 03 Oct 2026 06:59:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-12 11:27:10.931467
Title: Synthetic-to-Real ViT-Based Pose Estimation of a Noncooperative UAV
Title（参考訳）: 非協調型UAVの合成----実-- ViT-based Pose 推定
Abstract要約: 本研究では,視覚変換器(ViT)を用いた単眼UAVポーズ推定モデルの合成と現実の一般化能力について検討する。提案手法は自己監督型DINOv2バックボーンを用いており、ラベル付き合成画像にのみ訓練されている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Remote pose estimation of noncooperative Unmanned Aerial Vehicles (UAVs) from imagery is critical, as they cannot be influenced or instrumented in advance. Deep-learning-based approaches offer a promising solution; however, their development is constrained by the cost and difficulty of acquiring large-scale real-world datasets with accurate pose labels. Synthetic imagery provides an alternative, but models trained on synthetic data must overcome the synthetic-to-real domain gap to generalize to real-world imagery. This work investigates the inherent synthetic-to-real generalization capability of a Vision Transformer (ViT)-based model for monocular UAV pose estimation. The proposed approach employs a self-supervised DINOv2 backbone and is trained exclusively on labeled synthetic imagery while being evaluated on labeled real-world imagery. Pose ambiguity-aware strategies are incorporated during training and inference to address ambiguities arising from the projection of a three-dimensional target onto a two-dimensional image plane and from target symmetries. An $α$-$β$ filter is further integrated during inference to improve pose estimations. To assess the model under operational requirements, it is evaluated in terms of Mean Angular Error (MAE) and inference time, both before and after filtering, using a real-world dataset containing 77,077 labeled UAV images. Before filtering, the model achieves an MAE of $19.18^{\circ}$ and an inference time of $13.25$ ms, whereas after filtering, these values are $8.74^{\circ}$ and $13.42$ ms, respectively.
Abstract（参考訳）: 画像から非協力的無人航空機(UAV)のリモートポーズ推定は、事前に影響を受けない、あるいは計測できないため、重要である。ディープラーニングベースのアプローチは、有望なソリューションを提供するが、彼らの開発は、正確なポーズラベルを持つ大規模な実世界のデータセットを取得するコストと難しさに制約されている。合成画像は代替手段を提供するが、合成データに基づいて訓練されたモデルは、実世界の画像に一般化するために、合成と現実の領域ギャップを克服しなければならない。本研究では,視覚変換器(ViT)を用いた単眼UAVポーズ推定モデルの合成と現実の一般化能力について検討する。提案手法では,自己監督型DINOv2バックボーンを用いて,ラベル付き合成画像のみをトレーニングし,ラベル付き実世界の画像で評価する。三次元的対象の投影から2次元画像平面へ及び対象対称性へ生じる曖昧性に対処するための訓練と推論の間に、姿勢のあいまいさを意識した戦略が組み込まれている。ポーズ推定を改善するために、$α$-$β$フィルタが推論中にさらに統合される。運用要件下でモデルを評価するために、77,077のラベル付きUAVイメージを含む実世界のデータセットを使用して、フィルタリング前後の平均Angularエラー(MAE)と推論時間で評価する。フィルタリングの前に、モデルは19.18^{\circ}$のMAEと13.25$msの推論時間を達成するが、フィルタリング後、これらの値はそれぞれ8.74^{\circ}$と13.42$msである。

関連論文リスト

Interpretable Fuzzy Inference for UAV Target Tracking Using Bounding-Box Geometry [0.528933036850801]
YOLOボックスから抽出した低次元特徴から連続ヨーコマンドを生成する解釈可能なファジィ推論フレームワークを提案する。その結果、このフレームワークは透過的で、データ効率が高く、計算量も軽量であり、リアルタイムの視覚に基づくUAV誘導に適していることが判明した。
論文参考訳（メタデータ） (2026-08-04T18:18:29Z)
Last-Meter Precision Navigation for UAVs: A Diffusion-Refined Aerial Visual Servoing Approach [18.42619895752036]
UAVの高精度ナビゲーションは、スケールのあいまいさ、回転の不連続性、微粒な空間推論の必要性により困難である。広帯域拡散精細空中サーボフレームワークDreamNavを提案する。実験では、DreamNavは強力なビジュアルサーボと基礎モデルベースラインを精度と一般化で上回り、ゼロショットは見えないシーンに転送される。
論文参考訳（メタデータ） (2026-07-05T15:16:44Z)
Visual Autoregressive Modelling for Monocular Depth Estimation [69.01449528371916]
本稿では,視覚的自己回帰(VAR)に基づく単眼深度推定手法を提案する。提案手法は,大規模テキスト・画像VARモデルに適応し,スケールワイド・コンディショナル・アップサンプリング機構を導入する。本研究では,屋内ベンチマークにおける制約付きトレーニング条件下での最先端性能と,屋外データセットに適用した場合の強い性能について報告する。
論文参考訳（メタデータ） (2025-12-27T17:08:03Z)
Coarse-to-Fine Hierarchical Alignment for UAV-based Human Detection using Diffusion Models [14.696438400081114]
本稿では,UAVに基づく人体検出のための合成データを変換するための3段階拡散型フレームワークを提案する。 Cwdはグローバルなスタイルとローカルなコンテンツドメインの相違を明確に分離し、3つのモジュールを使ってそれらのギャップを埋める。提案手法は,Semantic-DroneベンチマークでmAP50を最大14.1ドルで改善する。
論文参考訳（メタデータ） (2025-12-15T19:57:36Z)
FLARE: Robot Learning with Implicit World Modeling [87.81846091038676]
$textbfFLARE$は、予測潜在世界モデリングをロボットポリシー学習に統合する。 $textbfFLARE$は最先端のパフォーマンスを実現し、これまでのポリシー学習のベースラインを最大26%上回っている。この結果は、暗黙の世界モデリングと高周波ロボット制御を組み合わせた汎用的でスケーラブルなアプローチとして$textbfFLARE$を確立した。
論文参考訳（メタデータ） (2025-05-21T15:33:27Z)
Drive-1-to-3: Enriching Diffusion Priors for Novel View Synthesis of Real Vehicles [81.29018359825872]
本稿では,実世界の課題に対して,大規模な事前学習モデルを微調整するための一連の優れたプラクティスを統合する。具体的には,合成データと実運転データとの相違を考慮に入れたいくつかの戦略を開発する。我々の洞察は、先行芸術よりも新しいビュー合成のためのFIDを68.8%値下げする効果のある微調整につながる。
論文参考訳（メタデータ） (2024-12-19T03:39:13Z)
Diffusion Features for Zero-Shot 6DoF Object Pose Estimation [7.949705607963995]
本研究は,ゼロショットポーズ推定における潜在拡散モデル (LDM) のバックボーンの影響を評価する。 LDMを用いたゼロショット方式でポーズを推定するテンプレートベースのマルチステージ手法を提案する。
論文参考訳（メタデータ） (2024-11-25T18:53:56Z)
UAV-Sim: NeRF-based Synthetic Data Generation for UAV-based Perception [62.71374902455154]
ニューラルレンダリングの最近の進歩を利用して、静的および動的ノベルビューUAVベースの画像レンダリングを改善する。本研究では,主に実データと合成データのハイブリッドセットに基づいて最先端検出モデルが最適化された場合,性能が大幅に向上することを示す。
論文参考訳（メタデータ） (2023-10-25T00:20:37Z)
Aligning Silhouette Topology for Self-Adaptive 3D Human Pose Recovery [70.66865453410958]
アーティキュレーション中心の2D/3Dポーズ監視は、既存の多くの人間のポーズ推定技術においてコアトレーニング目標を形成する。本稿では,ソース学習モデルベース回帰器を適応させるために,シルエット監視のみに依存する新しいフレームワークを提案する。我々は、トポロジカル・スケルトン表現を生シルエットから切り離すために、一連の畳み込みに優しい空間変換を開発する。
論文参考訳（メタデータ） (2022-04-04T06:58:15Z)
Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose Estimation [70.32536356351706]
本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
論文参考訳（メタデータ） (2022-03-29T07:14:58Z)
$S^3$Net: Semantic-Aware Self-supervised Depth Estimation with Monocular Videos and Synthetic Data [11.489124536853172]
S3$Netは、学習のための合成画像と実世界の画像を組み合わせた自己教師型フレームワークである。我々は、この自己教師付きフレームワークをトレーニングするユニークな方法を示し、従来の合成教師付きアプローチよりも15%以上の改善を実現した。
論文参考訳（メタデータ） (2020-07-28T22:40:54Z)

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。