論文の概要: Segmenting Unseen Industrial Components in a Heavy Clutter Using RGB-D
Fusion and Synthetic Data
- arxiv url: http://arxiv.org/abs/2002.03501v3
- Date: Tue, 2 Jun 2020 00:23:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 09:29:15.224753
- Title: Segmenting Unseen Industrial Components in a Heavy Clutter Using RGB-D
Fusion and Synthetic Data
- Title(参考訳): RGB-D核融合と合成データを用いたヘビークラッタ中の未確認産業成分の分離
- Authors: Seunghyeok Back, Jongwon Kim, Raeyoung Kang, Seungjun Choi, Kyoobin
Lee
- Abstract要約: 産業コンポーネントはテクスチャレスで反射性があり、乱雑で非構造的な環境でよく見られる。
本稿では,テクスチャをランダム化して形状情報にフォーカスする合成データ生成パイプラインを提案する。
信頼性マップ推定器を備えたRGB-D Fusion Mask R-CNNも提案する。
- 参考スコア(独自算出の注目度): 0.4724825031148411
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Segmentation of unseen industrial parts is essential for autonomous
industrial systems. However, industrial components are texture-less,
reflective, and often found in cluttered and unstructured environments with
heavy occlusion, which makes it more challenging to deal with unseen objects.
To tackle this problem, we present a synthetic data generation pipeline that
randomizes textures via domain randomization to focus on the shape information.
In addition, we propose an RGB-D Fusion Mask R-CNN with a confidence map
estimator, which exploits reliable depth information in multiple feature
levels. We transferred the trained model to real-world scenarios and evaluated
its performance by making comparisons with baselines and ablation studies. We
demonstrate that our methods, which use only synthetic data, could be effective
solutions for unseen industrial components segmentation.
- Abstract(参考訳): 自律的産業システムには, 産業部品のセグメンテーションが不可欠である。
しかし、工業用部品はテクスチャを欠き、反射性があり、乱雑で非構造的な環境でもしばしば見られるため、目に見えない物体に対処することはより困難である。
そこで本研究では,テクスチャをランダム化して形状情報にフォーカスする合成データ生成パイプラインを提案する。
さらに,信頼性マップ推定器を備えたrgb-d fusion mask r-cnnを提案する。
訓練したモデルを実世界のシナリオに移し,ベースラインとアブレーション研究との比較を行い,その性能評価を行った。
本研究では, 合成データのみを用いる手法が, 産業部品のセグメント化に有効であることを示す。
関連論文リスト
- IPAD: Industrial Process Anomaly Detection Dataset [71.39058003212614]
ビデオ異常検出(VAD)は,ビデオフレーム内の異常を認識することを目的とした課題である。
本稿では,産業シナリオにおけるVADに特化して設計された新しいデータセットIPADを提案する。
このデータセットは16の異なる産業用デバイスをカバーし、合成ビデオと実世界のビデオの両方を6時間以上保存している。
論文 参考訳(メタデータ) (2024-04-23T13:38:01Z) - Towards Sim-to-Real Industrial Parts Classification with Synthetic Dataset [6.481744951262474]
我々は、Sim-to-Realチャレンジの予備的なテストベッドとして機能する合成データセットを導入する。
6つの産業用ユースケースのうち17のオブジェクトが含まれており、その中には独立した部品や組み立て部品が含まれる。
すべてのサンプル画像は、ランダムな背景と、ドメインのランダム化の重要性を評価する後処理を伴わない。
論文 参考訳(メタデータ) (2024-04-12T19:04:59Z) - SpectralWaste Dataset: Multimodal Data for Waste Sorting Automation [46.178512739789426]
本稿では, 廃棄物処理施設から収集した最初のデータセットであるSpectralWasteについて紹介する。
このデータセットには、分類植物によく見られるいくつかのカテゴリのオブジェクトのラベルが含まれている。
異なるオブジェクトセグメンテーションアーキテクチャを用いたパイプラインを提案し,その代替案をデータセット上で評価する。
論文 参考訳(メタデータ) (2024-03-26T18:39:38Z) - Investigation of the Impact of Synthetic Training Data in the Industrial
Application of Terminal Strip Object Detection [4.327763441385371]
本稿では,端末ストリップ物体検出の複雑な産業応用における標準対象検出器のシム・トゥ・リアル一般化性能について検討する。
評価のために300個の実画像に手動でアノテートを行った結果,どちらの領域でも同じ規模の興味の対象が重要であることがわかった。
論文 参考訳(メタデータ) (2024-03-06T18:33:27Z) - Controllable Image Synthesis of Industrial Data Using Stable Diffusion [2.021800129069459]
本稿では,産業データに基づく汎用事前学習型生成モデルの再利用手法を提案する。
まず、モデルに新しい概念を学習させ、新しいデータ分布を学習させる。
そこで我々は,その生成過程の条件付けを強制的に行ない,よく定義されたトポロジ的特徴を満たす産業用画像を生成する。
論文 参考訳(メタデータ) (2024-01-06T08:09:24Z) - HaDR: Applying Domain Randomization for Generating Synthetic Multimodal
Dataset for Hand Instance Segmentation in Cluttered Industrial Environments [0.0]
本研究では、ドメインランダム化を用いて、マルチモーダルインスタンスセグメンテーションモデルのトレーニングのための合成RGB-Dデータセットを生成する。
提案手法により,既存の最先端データセットでトレーニングしたモデルよりも優れた性能が得られることを示す。
論文 参考訳(メタデータ) (2023-04-12T13:02:08Z) - Synthetic Data for Object Classification in Industrial Applications [53.180678723280145]
オブジェクト分類では、オブジェクトごとに、異なる条件下で、多数の画像を取得することは必ずしも不可能である。
本研究は,学習データセット内の限られたデータに対処するゲームエンジンを用いた人工画像の作成について検討する。
論文 参考訳(メタデータ) (2022-12-09T11:43:04Z) - Deep Learning based pipeline for anomaly detection and quality
enhancement in industrial binder jetting processes [68.8204255655161]
異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。
本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
論文 参考訳(メタデータ) (2022-09-21T08:14:34Z) - TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual
Environments [84.6017003787244]
本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。
既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
論文 参考訳(メタデータ) (2022-08-16T20:46:08Z) - Towards Robust Part-aware Instance Segmentation for Industrial Bin
Picking [113.79582950811348]
産業用ビンピッキングのための新しい部分認識型インスタンスセグメンテーションパイプラインを定式化する。
我々は、部品マスクと部品間オフセットを予測する部分認識ネットワークを設計し、続いて認識された部品をインスタンスに組み立てる部分集約モジュールを設計する。
このデータセットは、細く、非自明な形状の様々な産業オブジェクトを含む。
論文 参考訳(メタデータ) (2022-03-05T14:58:05Z) - Multi-Spectral Image Synthesis for Crop/Weed Segmentation in Precision
Farming [3.4788711710826083]
本稿では, 精密農業における作物・雑草の分枝化問題に適用し, 共通データ増分法に関する代替手法を提案する。
我々は、最も関連性の高いオブジェクトクラス(作物や雑草)を合成されたクラスに置き換えることで、半人工的なサンプルを作成する。
RGBデータに加えて、近赤外(NIR)情報も考慮し、4つのチャネルマルチスペクトル合成画像を生成する。
論文 参考訳(メタデータ) (2020-09-12T08:49:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。