In 3D object detection, I take a de

In 3D object detection, I take a depth image containing an object and try to fit some previously captured templates to the new object. This works well for the position and orientation of the object in a cluttered scene (Figure 3.6), but finding the best match in the point cloud representation is computationally expensive, because the number of templates required is quite large. I therefore use cloud-based parallel computing to reduce the time required to compute the best match.

ผลลัพธ์ (ไทย) 1:

ในการตรวจจับวัตถุ 3D ฉันใช้รูปที่มีความลึกประกอบด้วยวัตถุ และพยายามที่จะ fit บางแม่แบบก่อนหน้านี้จับภาพวัตถุใหม่ ใช้งานดีสำหรับตำแหน่งการจัดวางวัตถุในฉาก cluttered (รูปที่ 3.6), แต่ finding การจับคู่ที่สุดในการแสดงจุดเมฆเป็น computationally แพง เพราะจำนวนต้นแบบที่ต้องการค่อนข้างใหญ่ ดังนั้นฉันใช้ขนานบนคลาวด์คอมพิวเตอร์เพื่อลดเวลาที่ใช้ในการคำนวณการจับคู่ที่ดีที่สุด

ผลลัพธ์ (ไทย) 2:

ในการตรวจสอบวัตถุ 3 มิติผมใช้ภาพที่มีความลึกของวัตถุและพยายามที่จะพอดีบางแม่ถูกจับก่อนหน้านี้วัตถุใหม่ นี้ทำงานได้ดีสำหรับตำแหน่งและทิศทางของวัตถุในฉากรก (รูปที่ 3.6) แต่ไฟ nding การแข่งขันที่ดีที่สุดในจุดที่เป็นตัวแทนของเมฆที่มีราคาแพงคอมพิวเตอร์เพราะจำนวนของแม่ที่ต้องมีขนาดใหญ่มาก ฉันจึงใช้การคำนวณแบบขนานเมฆที่ใช้เพื่อลดเวลาที่จำเป็นในการคำนวณการจับคู่ที่ดีที่สุด

ผลลัพธ์ (ไทย) 3:

ในการตรวจจับวัตถุ 3 มิติ ผมใช้ความลึกของภาพที่มีวัตถุ และพยายามถ่ายทอด T บางอย่างก่อนหน้านี้จับแม่แบบเพื่อเป้าหมายใหม่ นี้ทำงานได้ดีสำหรับตำแหน่งและทิศทางของวัตถุในฉากรก ( รูปที่ 3.6 ) แต่ถ่ายทอดการส่งราคาที่ดีที่สุดในเมฆจุดแสดง computationally ราคาแพงเพราะจำนวนของแม่แบบที่ต้องการค่อนข้างมากผมจึงใช้คอมพิวเตอร์เมฆตามขนานเพื่อลดเวลาที่ใช้ในการคำนวณราคาที่ดีที่สุด .