ترجمه فارسی مقاله InSpaceType: مجموعه داده و معیار برای بررسی مجدد عملکرد نوع متقاطع در عمق تک چشمی داخلی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی InSpaceType: Dataset and Benchmark for Reconsidering Cross-Space Type Performance in Indoor Monocular Depth
عنوان مقاله به فارسی InSpaceType: مجموعه داده و معیار برای بررسی مجدد عملکرد نوع متقاطع در عمق تک چشمی داخلی
نویسندگان Cho-Ying Wu, Quankai Gao, Chin-Cheng Hsu, Te-Lin Wu, Jing-Wen Chen, Ulrich Neumann
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Vision and Pattern Recognition,Machine Learning,چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات Submitted 24 August, 2024; originally announced August 2024. , Comments: BMVC 2024. This version supersedes 2309.13516
توضیحات به فارسی ارسال شده در 24 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: BMVC 2024. این نسخه برتری 2309.13516 دارد
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Indoor monocular depth estimation helps home automation, including robot navigation or AR/VR for surrounding perception. Most previous methods primarily experiment with the NYUv2 Dataset and concentrate on the overall performance in their evaluation. However, their robustness and generalization to diversely unseen types or categories for indoor spaces (spaces types) have yet to be discovered. Researchers may empirically find degraded performance in a released pretrained model on custom data or less-frequent types. This paper studies the common but easily overlooked factor-space type and realizes a model's performance variances across spaces. We present InSpaceType Dataset, a high-quality RGBD dataset for general indoor scenes, and benchmark 13 recent state-of-the-art methods on InSpaceType. Our examination shows that most of them suffer from performance imbalance between head and tailed types, and some top methods are even more severe. The work reveals and analyzes underlying bias in detail for transparency and robustness. We extend the analysis to a total of 4 datasets and discuss the best practice in synthetic data curation for training indoor monocular depth. Further, dataset ablation is conducted to find out the key factor in generalization. This work marks the first in-depth investigation of performance variances across space types and, more importantly, releases useful tools, including datasets and codes, to closely examine your pretrained depth models. Data and code: https://depthcomputation.github.io/DepthPublic/

چکیده به فارسی (ترجمه ماشینی)

برآورد عمق یکپارچه داخلی به اتوماسیون منزل ، از جمله ناوبری ربات یا AR/VR برای درک اطراف کمک می کند.بیشتر روشهای قبلی در درجه اول با مجموعه داده NYUV2 آزمایش می کنند و در ارزیابی آنها بر عملکرد کلی تمرکز می کنند.با این حال ، استحکام و تعمیم آنها به انواع یا دسته بندی های متنوعی برای فضاهای داخلی (انواع فضاها) هنوز کشف نشده است.محققان ممکن است به صورت تجربی عملکرد تخریب شده را در یک مدل پیش ساخته منتشر شده بر روی داده های سفارشی یا انواع کمتری پیدا کنند.در این مقاله به بررسی نوع عاملی متداول اما به راحتی نادیده گرفته می شود و واریانس عملکرد یک مدل را در فضاها تحقق می بخشد.ما مجموعه داده های SinmaceType ، یک مجموعه داده RGBD با کیفیت بالا برای صحنه های عمومی داخلی و معیار 13 روش پیشرفته اخیر در مورد AspaceType را ارائه می دهیم.معاینه ما نشان می دهد که بیشتر آنها از عدم تعادل عملکرد بین انواع سر و دم شده رنج می برند و برخی از روشهای برتر حتی شدیدتر هستند.این کار تعصب اساسی را با جزئیات برای شفافیت و استحکام نشان می دهد.ما تجزیه و تحلیل را به مجموع 4 مجموعه داده گسترش می دهیم و در مورد بهترین روش در زمینه درمان داده های مصنوعی برای آموزش عمق یکپارچه داخلی بحث می کنیم.علاوه بر این ، فرسایش مجموعه داده ها برای یافتن عامل اصلی در تعمیم انجام می شود.این کار اولین بررسی عمیق در مورد واریانس عملکرد در انواع فضا است و از همه مهمتر ، ابزارهای مفیدی از جمله مجموعه داده ها و کدها را منتشر می کند تا از نزدیک مدل های عمق پیش ساخته شما را بررسی کند.داده ها و کد: https://depthcomputation.github.io/depthpublic/

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.