文献

J-GLOBAL ID：201902231356508948   整理番号：19A0518435

学習ベースの単眼深度推定のための領域独立性に向けて【JST・京大機械翻訳】

Toward Domain Independence for Learning-Based Monocular Depth Estimation

著者 (6件)： Mancini Michele (Department of Engineering, University of Perugia, Italy) ,  Costante Gabriele (Department of Engineering, University of Perugia, Italy) ,  Valigi Paolo (Department of Engineering, University of Perugia, Italy) ,  Ciarfuglia Thomas A. (Department of Engineering, University of Perugia, Italy) ,  Delmerico Jeffrey (Robotics and Perception Group, University of Zurich, Switzerland) ,  Scaramuzza Davide (Robotics and Perception Group, University of Zurich, Switzerland)
資料名： IEEE Robotics and Automation Letters  (IEEE Robotics and Automation Letters)
巻： 2  号： 3  ページ： 1778-1785  発行年： 2017年 
JST資料番号： W2448A  ISSN： 2377-3766  資料種別： 逐次刊行物 (A)
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： 現代の自律移動ロボットは,クラッタと動的環境で安全に動作するために,それらの周囲の強い理解を必要とする。単眼深さ推定は,最小空間と電力消費を持つ自由,航行可能空間を検出するための幾何学的独立パラダイムを提供する。これらは,特にマイクロ航空機に対して,非常に望ましい特徴を表している。実世界シナリオにおけるロバストな運用を保証するために,推定器は多様な環境において良く一般化する必要がある。既存の深さ推定器の大部分は一般化を考慮しておらず,特定の微調整後の公開可能なデータセットに関するそれらの性能をベンチマークするだけである。一般化はいくつかの不均一データセットの訓練により達成できるが,それらの収集とラベリングは費用がかかる。本論文では,合成データセット上で訓練されたシーン深さ推定のための深いニューラルネットワークを提案し,これにより,グランドトルースデータの安価な生成を可能にした。著者らは,このアプローチが異なるシナリオを通して良く一般化できることを示した。さらに,著者らは,ネットワークにおける長い短期記憶層の追加が,連続画像ストリームにおいて,低い計算オーバーヘッドを有するグローバルスケール推定のような単眼ビジョンの本質的限界のいくつかを軽減するのに役立つことを示した。このネットワークは,KITTIデータセットに関する最先端の方法に匹敵する性能を達成しながら,微細な調整なしに異なる実世界環境に関して良く一般化できることを実証した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  *単眼 ,  ロバスト性 ,  安全性 ,  電力消費 ,  ベンチマーク ,  ネットワーク ,  航行 ,  クラッタ ,  ニューラルネットワーク
準シソーラス用語： オーバヘッド ,  短期記憶 ,  グランドトゥルース ,  微調整 ,  動的環境 , 【Automatic Indexing@JST】

分類 (4件)： 無線通信一般  (ND08010L) ,  数値計算  (JE02000J) ,  信号理論  (ND02020G) ,  計測機器一般  (AD02000X)

タイトルに関連する用語 (4件)： 学習 ,  単眼 ,  深度 ,  推定