論文の概要: REDE: End-to-end Object 6D Pose Robust Estimation Using Differentiable Outliers Elimination

• arxiv url: http://arxiv.org/abs/2010.12807v3
• Date: Wed, 24 Feb 2021 13:38:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 13:20:12.876041
• Title: REDE: End-to-end Object 6D Pose Robust Estimation Using Differentiable Outliers Elimination
• Title（参考訳）: REDE: 微分外乱除去を用いたエンドツーエンドのオブジェクト6Dポッドロバスト推定
• Authors: Weitong Hua, Zhongxiang Zhou, Jun Wu, Huang Huang, Yue Wang, Rong Xiong
• Abstract要約: RGB-Dデータを用いた新しいエンドツーエンドオブジェクトポーズ推定器REDEを提案する。 また,候補結果と信頼度を同時に抑制する相違可能な外乱除去手法を提案する。 3つのベンチマークデータセットの実験結果は、REDEが最先端のアプローチをわずかに上回っていることを示している。
• 参考スコア（独自算出の注目度）: 15.736699709454857
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object 6D pose estimation is a fundamental task in many applications. Conventional methods solve the task by detecting and matching the keypoints, then estimating the pose. Recent efforts bringing deep learning into the problem mainly overcome the vulnerability of conventional methods to environmental variation due to the hand-crafted feature design. However, these methods cannot achieve end-to-end learning and good interpretability at the same time. In this paper, we propose REDE, a novel end-to-end object pose estimator using RGB-D data, which utilizes network for keypoint regression, and a differentiable geometric pose estimator for pose error back-propagation. Besides, to achieve better robustness when outlier keypoint prediction occurs, we further propose a differentiable outliers elimination method that regresses the candidate result and the confidence simultaneously. Via confidence weighted aggregation of multiple candidates, we can reduce the effect from the outliers in the final estimation. Finally, following the conventional method, we apply a learnable refinement process to further improve the estimation. The experimental results on three benchmark datasets show that REDE slightly outperforms the state-of-the-art approaches and is more robust to object occlusion.
• Abstract（参考訳）: オブジェクト6Dのポーズ推定は多くのアプリケーションにおいて基本的なタスクである。 従来の手法ではキーポイントの検出とマッチングを行い、ポーズを推定する。 近年の深層学習の取り組みは,手作りの特徴設計による環境変動に対する従来の手法の脆弱性を克服している。 しかし、これらの手法はエンドツーエンドの学習と優れた解釈を同時に達成することはできない。 本稿では、キーポイント回帰にネットワークを利用するRGB-Dデータを用いた新しいエンドツーエンドオブジェクトポーズ推定器REDEと、ポーズエラーバックプロパゲーションのための幾何学的ポーズ推定器を提案する。 さらに,外部キーポイント予測を行う場合のロバスト性を向上させるために,候補結果と信頼度を同時に回帰する微分可能な外れ値除去法を提案する。 信頼度重み付けされた複数の候補の集約により、最終推定におけるアウトレーヤの影響を低減できる。 最後に,従来の手法に従って学習可能な改良プロセスを適用し,評価をさらに改善する。 3つのベンチマークデータセットの実験結果は、REDEが最先端のアプローチをわずかに上回り、オブジェクトの閉塞に対してより堅牢であることを示している。

関連論文リスト

• SEMPose: A Single End-to-end Network for Multi-object Pose Estimation [13.131534219937533]
  SEMPoseは、エンドツーエンドの多目的ポーズ推定ネットワークである。 RGB画像以外の入力を必要とせずに32FPSで推論を行うことができる。 複数のオブジェクトのポーズをリアルタイムで正確に推定でき、対象オブジェクトの数の影響を受けない推論時間に影響を及ぼす。
  論文  参考訳（メタデータ） (2024-11-21T10:37:54Z)
• For A More Comprehensive Evaluation of 6DoF Object Pose Tracking [22.696375341994035]
  上記の問題に対処するために、統一されたベンチマークに貢献する。 YCBVのより正確なアノテーションとして,多視点多目的グローバルポーズ改善法を提案する。 実験では,リアルな半合成データセットを用いて,提案手法の精度と信頼性を検証した。
  論文  参考訳（メタデータ） (2023-09-14T15:35:08Z)
• Poseur: Direct Human Pose Regression with Transformers [119.79232258661995]
  単一画像からの2次元人間のポーズ推定に対する直接回帰に基づくアプローチを提案する。 私たちのフレームワークはエンドツーエンドの差別化が可能で、キーポイント間の依存関係を自然に活用することを学びます。 我々のアプローチは、最も優れたヒートマップベースのポーズ推定手法と比較して好意的に機能する最初の回帰ベースのアプローチである。
  論文  参考訳（メタデータ） (2022-01-19T04:31:57Z)
• Dynamic Iterative Refinement for Efficient 3D Hand Pose Estimation [87.54604263202941]
  本稿では,従来の推定値の修正に部分的レイヤを反復的に活用する,小さなディープニューラルネットワークを提案する。 学習したゲーティング基準を用いて、ウェイトシェアリングループから抜け出すかどうかを判断し、モデルにサンプルごとの適応を可能にする。 提案手法は,広く使用されているベンチマークの精度と効率の両面から,最先端の2D/3Dハンドポーズ推定手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-11-11T23:31:34Z)
• Probabilistic Modeling for Human Mesh Recovery [73.11532990173441]
  本稿では,2次元の証拠から3次元の人体復元の問題に焦点を当てた。 我々は,この問題を,入力から3Dポーズの分布へのマッピング学習として再考した。
  論文  参考訳（メタデータ） (2021-08-26T17:55:11Z)
• TFPose: Direct Human Pose Estimation with Transformers [83.03424247905869]
  ポーズ推定タスクを変換器で効果的に解くことができるシーケンス予測問題に定式化します。 我々のフレームワークは単純で直接的であり、ヒートマップに基づくポーズ推定の欠点を回避している。 MS-COCOおよびMPIIデータセットの実験は、この手法が回帰ベースのポーズ推定の最先端を大幅に改善できることを示しています。
  論文  参考訳（メタデータ） (2021-03-29T04:18:54Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• Deep Keypoint-Based Camera Pose Estimation with Geometric Constraints [80.60538408386016]
  連続するフレームから相対的なカメラのポーズを推定することは、視覚計測の基本的な問題である。 本稿では,検出,特徴抽出,マッチング,外乱除去のための学習可能なモジュールで構成されるエンドツーエンドのトレーニング可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-29T21:41:31Z)
• Pose Proposal Critic: Robust Pose Refinement by Learning Reprojection Errors [17.918364675642998]
  我々は、ポーズの洗練に焦点をあて、部分閉塞の場合の最先端をどう進めるかを示す。 提案手法は,CNNを訓練し,観測画像と描画画像の間の再投影誤差を推定する簡易学習課題を利用する。 Occlusion LINEMODベンチマークの3つの指標のうち2つは、現在の最先端の結果よりも優れています。
  論文  参考訳（メタデータ） (2020-05-13T11:46:04Z)

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。