RGB-D-E: Event Camera Calibration for Fast 6-DOF Object Tracking
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Augmented reality devices require multiple sensors to perform various tasks\nsuch as localization and tracking. Currently, popular cameras are mostly\nframe-based (e.g. RGB and Depth) which impose a high data bandwidth and power\nusage. With the necessity for low power and more responsive augmented reality\nsystems, using solely frame-based sensors imposes limits to the various\nalgorithms that needs high frequency data from the environement. As such,\nevent-based sensors have become increasingly popular due to their low power,\nbandwidth and latency, as well as their very high frequency data acquisition\ncapabilities. In this paper, we propose, for the first time, to use an\nevent-based camera to increase the speed of 3D object tracking in 6 degrees of\nfreedom. This application requires handling very high object speed to convey\ncompelling AR experiences. To this end, we propose a new system which combines\na recent RGB-D sensor (Kinect Azure) with an event camera (DAVIS346). We\ndevelop a deep learning approach, which combines an existing RGB-D network\nalong with a novel event-based network in a cascade fashion, and demonstrate\nthat our approach significantly improves the robustness of a state-of-the-art\nframe-based 6-DOF object tracker using our RGB-D-E pipeline.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle