Publication Details:
Լույս է տեսնում 1948 թվականից՝ տարին 4 անգամ։
Journal or Publication Title:
Date of publication:
Volume:
Number:
ISSN:
Official URL:
Additional Information:
Ավետիսյան Ա. Ա., Խաչատրյան Տ. Բ., Գրիգորյան Մ. Տ., Аветисян А. А., Хачатрян Т. Б., Григорян М. Т.
Title:
Other title:
Метод генерации фотореалистичных и синтетических стереонаборов данных для визуальной одометрии и оценки глубины ; ֆոտոռեալիստիկ և արհեստական ստերեո-տվյալների հավաքածուների ստեղծման մեթոդ` տեսողական տեղորոշման և խորության որոշման համար
Creator:
Avetisyan, A. A. ; Khachatryan, T. B. ; Grigoryan, M. T.
Contributor(s):
Պատ․ խմբ․՝ Ա․ Գ․ Նազարով (1957-1964) ; Մ․ Վ․ Կասյան (1964-1988) ; Ռ․ Մ․ Մարտիրոսյան (1989-2017 ) ; Գլխավոր խմբ․՝ Վ․ Շ․ Մելիքյան (2018-)
Subject:
Computer science and informatics
Uncontrolled Keywords:
Computer Vision ; stereo dataset ; synthetic dataset ; simulated environment ; photorealism
Coverage:
Abstract:
Computer vision is a rapidly developing field in modern computer science that deals with various challenging problems. Both mono and stereo imagery data are widely used for tasks such as depth estimation, visual odometry, and SLAM (Simultaneous Localization and Mapping). To ensure the clean verification and robust performance of the resulting software solutions, datasets should contain precise ground truth data. However, creating a real-world stereo dataset is a costly task as it requires stereo cameras and precise hardware for ground truth measurements (such as lidars, lasers, barometers, accelerometers, etc.). These types of hardware are often expensive and not accessible to intermediate users. An alternative approach is to use synthetic datasets, which are collections of computer-generated data designed to mimic real-world data. Synthetic datasets are used to train AI models when real-world data is not available, or to test the performance of models in simulated environments. Our method suggests combining real-world data collection with synthetic data generation methods to maintain photorealism while gaining the advantages of synthetic data generation flow.
Համակարգչային տեսողությունը ժամանակակից համակարգչային գիտության մեջ արագ զարգացող ոլորտ է, որը զբաղվում է տարատեսակ բարդ խնդիրներով: Ինչպես մոնո, այնպես էլ ստերեո պատկերների տվյալները լայնորեն օգտագործվում են խորության գնահատման, տեսողական տեղորոշման և SLAM-ի (Simultaneous Localization and Mapping) համար: Ստացված ծրագրային լուծումների հստակ ստուգումն ու կայուն կատարումն ապահովելու համար տվյալների հավաքածուները պետք է պարունակեն ճշգրիտ տեղեկություն իրական դիրքի մասին: Այնուամենայնիվ, իրական աշխարհի ստերեո տվյալների հավաքածուի ստեղծումը ծախսատար խնդիր է, քանի որ այն պահանջում է ստերեո տեսախցիկներ և ճշգրիտ սարքեր իրական դիրքի չափումների համար (օրինակ՝ լիդարներ, լազերներ, բարձրաչափեր, արագաչափեր և այլն): Նման սարքավորումները սովորաբար թանկ են և հասանելի չեն հաճախադեպ օգտագործման համար: Այլընտրանքային մոտեցում է արհեստական տվյալների հավաքածուների օգտագործումը, որոնք համակարգչի միջոցով ստեղծված հավաքածուներ են։ Դրանք նախատեսված են իրական աշխարհի տվյալների նմանակման համար: Արհեստական տվյալների հավաքածուները սովորաբար օգտագործվում են արհեստական բանականության մոդելների ուսուցման համար, երբ իրական աշխարհի տվյալները հասանելի չեն, ինչպես նաև մոդելավորման միջավայրում մոդելների աշխատանքը փորձարկելու համար: Компьютерное зрение - это быстроразвивающаяся область в современной компьютерной науке, которая занимается решением различных сложных проблем. Моно- и стереоизображения широко используются для таких задач, как оценка глубины, визуальная одометрия и SLAM (Simultaneous Localization and Mapping). Для обеспечения хорошей проверки и надежной работы полученных программных решений на- боры данных должны содержать точную информацию о реальном положении объектов. Однако создание реального набора стереоизображений является затратной задачей, так как требует использования стереокамер и точного оборудования для измерения реального положения объектов (таких как лидары, лазеры, барометры, акселерометры и т.д.). Эти типы оборудования часто являются дорогими и недоступными для рядовых пользователей. Альтернативным подходом является использование синтетических компьютерно-сгенерированных наборов данных, предназначенных для имитации реальных сцен. Синтетические наборы данных часто используются для обучения моделей искусственного интеллекта в случаях, когда реальные данные недоступны, или для тестирования производительности моделей в симулированных средах. Предлагаемый нами метод предлагает комбинировать сбор реальных данных с методами генерации синтетических данных, чтобы сохранять фотореализм, сохраняя преимущества процедуры генерации синтетических данных.
Place of publishing:
Երևան
Publisher:
Type:
Format:
Call number:
Digitization:
ՀՀ ԳԱԱ Հիմնարար գիտական գրադարան