論文の概要: Learning Orientation Distributions for Object Pose Estimation
- arxiv url: http://arxiv.org/abs/2007.01418v2
- Date: Tue, 11 Aug 2020 01:12:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 14:10:41.898696
- Title: Learning Orientation Distributions for Object Pose Estimation
- Title（参考訳）: 物体姿勢推定のための学習方向分布
- Authors: Brian Okorn, Mengyun Xu, Martial Hebert, David Held
- Abstract要約: 本研究では,物体の向きの分布を推定する2つの学習手法を提案する。
提案手法は,ポーズ推定における不正確性とオブジェクト対称性の両方を考慮に入れている。
- 参考スコア（独自算出の注目度）: 31.05330535795121
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For robots to operate robustly in the real world, they should be aware of
their uncertainty. However, most methods for object pose estimation return a
single point estimate of the object's pose. In this work, we propose two
learned methods for estimating a distribution over an object's orientation. Our
methods take into account both the inaccuracies in the pose estimation as well
as the object symmetries. Our first method, which regresses from deep learned
features to an isotropic Bingham distribution, gives the best performance for
orientation distribution estimation for non-symmetric objects. Our second
method learns to compare deep features and generates a non-parameteric
histogram distribution. This method gives the best performance on objects with
unknown symmetries, accurately modeling both symmetric and non-symmetric
objects, without any requirement of symmetry annotation. We show that both of
these methods can be used to augment an existing pose estimator. Our evaluation
compares our methods to a large number of baseline approaches for uncertainty
estimation across a variety of different types of objects.
- Abstract（参考訳）: ロボットが現実世界で頑健に動くためには、その不確実性に気付くべきだ。
しかし、オブジェクトポーズ推定のためのほとんどの方法は、オブジェクトポーズの単一ポイント推定を返す。
本研究では,物体の向きの分布を推定する2つの学習手法を提案する。
提案手法は,ポーズ推定における不正確性とオブジェクト対称性の両方を考慮に入れている。
深層学習機能から等方性ビンガム分布へ回帰する最初の手法は,非対称物体の配向分布推定に最適な性能を与える。
第2の方法は深部特徴を比較することを学び,非パラメータヒストグラム分布を生成する。
この方法は未知の対称性を持つオブジェクトに対して最高の性能を与え、対称性のアノテーションを必要としない対称オブジェクトと非対称オブジェクトの両方を正確にモデル化する。
これらの手法はどちらも,既存のポーズ推定器の拡張に利用できることを示す。
提案手法を,様々な種類のオブジェクトに対して不確実性評価を行うための多数のベースライン手法と比較した。
関連論文リスト
- SymmetryLens: A new candidate paradigm for unsupervised symmetry learning via locality and equivariance [0.0]
我々は、生データから始まる新しい教師なし対称性学習法を開発した。
この対称性と局所性の結合は,エントロピー推定のために開発された特別な最適化手法とともに,高度に安定なシステムをもたらすことを実証する。
私たちが考える対称性の作用は群表現であるが、このアプローチは非可換リー群のより一般的な非線形作用に一般化される可能性があると信じている。
論文 参考訳（メタデータ） (2024-10-07T17:40:51Z) - BOP-Distrib: Revisiting 6D Pose Estimation Benchmark for Better Evaluation under Visual Ambiguities [0.7499722271664147]
6次元ポーズ推定は、カメラの観察を最もよく説明する対象のポーズを決定することを目的としている。
現在、6次元ポーズ推定法は、その基礎となる真理アノテーションに対して、視覚的曖昧性は、グローバルなオブジェクト対称性にのみ関連していると考えるデータセット上でベンチマークされている。
本稿では,画像内の物体表面の視認性を考慮し,各画像に特有の6次元ポーズ分布を付加したデータセットのアノテート手法を提案する。
論文 参考訳（メタデータ） (2024-08-30T13:52:26Z) - Size-invariance Matters: Rethinking Metrics and Losses for Imbalanced Multi-object Salient Object Detection [133.66006666465447]
現在のメトリクスはサイズに敏感で、大きなオブジェクトが集中し、小さなオブジェクトが無視される傾向があります。
サイズに基づくバイアスは、追加のセマンティック情報なしでは不適切であるため、評価はサイズ不変であるべきだと論じる。
我々は,この目標に適した最適化フレームワークを開発し,異なる大きさのオブジェクトの検出において,大幅な改善を実現した。
論文 参考訳（メタデータ） (2024-05-16T03:01:06Z) - Regularizing Towards Soft Equivariance Under Mixed Symmetries [23.603875905608565]
混合近似対称性を持つデータセットのモデルを構築するための正規化器に基づく手法を提案する。
提案手法は,近似対称性のレベルを正確に発見しながら,従来の手法よりも精度が高いことを示す。
論文 参考訳（メタデータ） (2023-06-01T05:33:41Z) - Evaluating the Robustness of Interpretability Methods through
Explanation Invariance and Equivariance [72.50214227616728]
解釈可能性法は、それらの説明が説明されたモデルを忠実に記述した場合にのみ有用である。
特定の対称性群の下で予測が不変であるニューラルネットワークを考える。
論文 参考訳（メタデータ） (2023-04-13T17:59:03Z) - Object-based SLAM utilizing unambiguous pose parameters considering
general symmetry types [20.579218922577244]
異なる視点での観測が同一である対称物体は、同時局在化とマッピングの性能を低下させる可能性がある。
本研究は,対称物体の存在下でも,カメラや物体の姿勢を頑健に最適化するシステムを提案する。
論文 参考訳（メタデータ） (2023-03-13T03:07:59Z) - Ki-Pode: Keypoint-based Implicit Pose Distribution Estimation of Rigid
Objects [1.209625228546081]
本稿では,新しいポーズ分布推定法を提案する。
オブジェクトのポーズ上の確率分布の暗黙的な定式化は、キーポイントの集合としてのオブジェクトの中間表現から導かれる。
本手法は,YCB-VおよびT-LESSデータセット上での回転分布推定のタスクに基づいて評価されている。
論文 参考訳（メタデータ） (2022-09-20T11:59:05Z) - Implicit-PDF: Non-Parametric Representation of Probability Distributions
on the Rotation Manifold [47.31074799708132]
我々はSO(3)上の任意の非パラメトリック分布を推定する手法を提案する。
私たちのキーとなるアイデアは、入力画像と候補ポーズの確率を推定するニューラルネットワークで、分布を暗黙的に表現することです。
我々はPascal3D+とModelNet10-SO(3)ベンチマークの最先端性能を実現する。
論文 参考訳（メタデータ） (2021-06-10T17:57:23Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳（メタデータ） (2020-04-21T23:09:55Z) - Robust 6D Object Pose Estimation by Learning RGB-D Features [59.580366107770764]
本稿では、この局所最適問題を解くために、回転回帰のための離散連続的な新しい定式化を提案する。
我々はSO(3)の回転アンカーを均一にサンプリングし、各アンカーから目標への制約付き偏差を予測し、最適な予測を選択するための不確実性スコアを出力する。
LINEMOD と YCB-Video の2つのベンチマーク実験により,提案手法が最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2020-02-29T06:24:55Z) - Asymmetric Distribution Measure for Few-shot Learning [82.91276814477126]
メトリクスベースの少数ショット画像分類は、クエリ画像とサポートクラスの関係を測定することを目的としている。
本稿では,非対称分布測定(ADM)ネットワークを提案する。
5ドルの$-wayの$-shotタスクで最先端のメソッドよりも3.02%の$と1.56%の$を達成しています。
論文 参考訳（メタデータ） (2020-02-01T06:41:52Z)
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。