文献

J-GLOBAL ID：201702281932750071   整理番号：17A1271763

ランダムフォレストとニューラルネットワークカメラ位置決めのための最良のもの【Powered by NICT】

Random forests versus Neural Networks - What’s best for camera localization?

著者 (5件)： Massiceti Daniela (Faculty of Engineering Science, University of Oxford, United Kingdom) ,  Krull Alexander (Fakultaet Informatik, Technische Universitaet Dresden, Germany) ,  Brachmann Eric (Fakultaet Informatik, Technische Universitaet Dresden, Germany) ,  Rother Carsten (Fakultaet Informatik, Technische Universitaet Dresden, Germany) ,  Torr Philip H.S. (Faculty of Engineering Science, University of Oxford, United Kingdom)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICRA  ページ： 5118-5125  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本研究では,単一入力RGB画像を与えられた既知の3Dシーンにおけるカメラ局在化の課題を検討した。最新の手法は二段階でこれを達成:第一に,画像の3Dシーン座標とその後の中の各ピクセルのための回帰,最後の6Dカメラを推定するためにこれらの座標を用いたRANSACを介してもたらす。第一段階を解決するために。ランダムフォレスト(RF)は,典型的に使用されている。一方。ニューラルネットワーク(NN)は多くの密な回帰タスクにおけるreignが,試験時間効率的ではない。問題:二年のそれはこれを解決するためにカメラ位置決めのための最良であることを依頼し,二方法寄与をする(1)RFから導出し,初期化であることをForestNetと命名した試験時間効率的なNNアーキテクチャ,および(2)NNによるエンドツーエンド訓練できる回帰アンサンブルのための新しい完全微分可能ロバスト平均化技術。著者等の実験結果は,シーン座標回帰のための,従来のNNアーキテクチャは試験時間効率的なRFとForestNetsよりも優れていることを示したが,RFとForestNetsはわずかに良い性能を示す,これは最終的に6Dカメラ姿勢精度に翻訳されなかった。要約するために,ロバストな平均,等価高速・軽量RFを持つForestNet,著者らの最良の方法は,7シーンデータセット[1]カメラ位置決めのための最新技術より性能が向上した。本研究はカメラ位置決めのためのシーン座標回帰に焦点を当てたが,著者らの革新は,他の連続回帰タスクに適用できる。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： エンドツーエンド方式 ,  三次元 ,  微分 ,  *カメラ ,  *ニューラルネットワーク ,  *位置決め ,  ロバスト性 ,  計算機アーキテクチャ ,  画像 ,  高速度 ,  画素
準シソーラス用語： 軽量 ,  RANSAC ,  局在化 ,  *ランダムフォレスト , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (1件)： ランダムフォレスト