論文の概要: Learning RGB-D Feature Embeddings for Unseen Object Instance
Segmentation
- arxiv url: http://arxiv.org/abs/2007.15157v3
- Date: Wed, 3 Mar 2021 10:45:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-05 14:42:25.146445
- Title: Learning RGB-D Feature Embeddings for Unseen Object Instance
Segmentation
- Title（参考訳）: 見えないオブジェクトインスタンスセグメンテーションのためのRGB-D特徴埋め込みの学習
- Authors: Yu Xiang, Christopher Xie, Arsalan Mousavian, Dieter Fox
- Abstract要約: 合成データからRGB-D特徴埋め込みを学習し,オブジェクトのインスタンスセグメンテーションを未確認する手法を提案する。
距離学習損失関数を用いて画素単位の機能埋め込みを学習する。
新たな2段階クラスタリングアルゴリズムにより,セグメンテーションの精度をさらに向上する。
- 参考スコア（独自算出の注目度）: 67.88276573341734
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Segmenting unseen objects in cluttered scenes is an important skill that
robots need to acquire in order to perform tasks in new environments. In this
work, we propose a new method for unseen object instance segmentation by
learning RGB-D feature embeddings from synthetic data. A metric learning loss
function is utilized to learn to produce pixel-wise feature embeddings such
that pixels from the same object are close to each other and pixels from
different objects are separated in the embedding space. With the learned
feature embeddings, a mean shift clustering algorithm can be applied to
discover and segment unseen objects. We further improve the segmentation
accuracy with a new two-stage clustering algorithm. Our method demonstrates
that non-photorealistic synthetic RGB and depth images can be used to learn
feature embeddings that transfer well to real-world images for unseen object
instance segmentation.
- Abstract（参考訳）: 散らかったシーンで見えない物体をセグメント化することは、ロボットが新しい環境でタスクを実行するために取得する必要がある重要なスキルである。
本研究では,合成データからRGB-D特徴埋め込みを学習し,オブジェクトのインスタンス分割を未確認する手法を提案する。
メトリック学習損失関数を用いて、同一対象からの画素が互いに近接し、異なる対象の画素が埋め込み空間で分離されるような画素毎の特徴埋め込みを学習する。
学習された特徴埋め込みにより、平均シフトクラスタリングアルゴリズムを、未検出のオブジェクトの検出とセグメント化に応用することができる。
新たな2段階クラスタリングアルゴリズムによりセグメント化精度をさらに向上する。
提案手法は,非フォトリアリスティック合成rgbおよび深度画像を用いて実世界画像によく変換される特徴埋め込みを学習し,対象インスタンスのセグメンテーションを実現する。
関連論文リスト
- Learning-based Relational Object Matching Across Views [63.63338392484501]
本稿では,RGB画像間のオブジェクト検出をマッチングするための,局所キーポイントと新たなオブジェクトレベルの特徴を組み合わせた学習ベースアプローチを提案する。
我々は、連想グラフニューラルネットワークにおいて、オブジェクト間の外観とフレーム間およびフレーム間空間関係に基づいて、オブジェクトレベルのマッチング機能を訓練する。
論文 参考訳（メタデータ） (2023-05-03T19:36:51Z) - Self-Supervised Learning of Object Segmentation from Unlabeled RGB-D
Videos [11.40098981859033]
本研究では,RGB画像中の剛体物体をセグメント化するための自己教師型学習システムを提案する。
提案するパイプラインは、静的オブジェクトのラベル付けされていないRGB-Dビデオに基づいてトレーニングされている。
論文 参考訳（メタデータ） (2023-04-09T23:13:39Z) - SupeRGB-D: Zero-shot Instance Segmentation in Cluttered Indoor
Environments [67.34330257205525]
本研究では,RGB-Dデータからゼロショットのインスタンスセグメンテーション(ZSIS)を探索し,意味的カテゴリに依存しない方法で未知のオブジェクトを識別する。
本稿では,注釈付きオブジェクトを用いて画素のオブジェクト性」を学習し,乱雑な屋内環境における未知のオブジェクトカテゴリに一般化する手法を提案する。
論文 参考訳（メタデータ） (2022-12-22T17:59:48Z) - CASAPose: Class-Adaptive and Semantic-Aware Multi-Object Pose Estimation [2.861848675707602]
CASAPoseと呼ばれる新しい単一ステージアーキテクチャを提案する。
RGB画像中の複数の異なるオブジェクトのポーズ推定のための2D-3D対応を1パスで決定する。
高速でメモリ効率が高く、複数のオブジェクトに対して高い精度を実現する。
論文 参考訳（メタデータ） (2022-10-11T10:20:01Z) - Self-Supervised Visual Representation Learning with Semantic Grouping [50.14703605659837]
我々は、未ラベルのシーン中心のデータから視覚表現を学習する問題に取り組む。
本研究では,データ駆動型セマンティックスロット,すなわちSlotConによる協調型セマンティックグルーピングと表現学習のためのコントラスト学習を提案する。
論文 参考訳（メタデータ） (2022-05-30T17:50:59Z) - Exploring Cross-Image Pixel Contrast for Semantic Segmentation [130.22216825377618]
完全教師付きセッティングにおけるセマンティックセグメンテーションのための画素単位のコントラストフレームワークを提案する。
中心となる考え方は、同じセマンティッククラスに属するピクセルの埋め込みを、異なるクラスの埋め込みよりもよく似ているように強制することである。
テスト中に余分なオーバーヘッドを伴わずに既存のセグメンテーションフレームワークに懸命に組み込むことができる。
論文 参考訳（メタデータ） (2021-01-28T11:35:32Z) - Unseen Object Instance Segmentation for Robotic Environments [67.88276573341734]
本稿では,テーブルトップ環境において未確認のオブジェクトインスタンスをセグメント化する手法を提案する。
UOIS-Netは2つのステージで構成されている: まず、オブジェクトのインスタンス中心の投票を2Dまたは3Dで生成するために、深さでのみ動作する。
驚くべきことに、我々のフレームワークは、RGBが非フォトリアリスティックな合成RGB-Dデータから学習することができる。
論文 参考訳（メタデータ） (2020-07-16T01:59:13Z) - Reinforced Coloring for End-to-End Instance Segmentation [10.73460247817528]
本稿では,複数の物体を並列に区別する方法を学習する,反復的深層強化学習エージェントを提案する。
トレーニング可能なエージェントに対する報酬関数は、グラフカラー化アルゴリズムを用いて、同じオブジェクトに属するピクセルをグループ化することを好んで設計する。
論文 参考訳（メタデータ） (2020-05-14T15:15:47Z)
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。