論文の概要: End-to-End Differentiable 6DoF Object Pose Estimation with Local and
Global Constraints
- arxiv url: http://arxiv.org/abs/2011.11078v1
- Date: Sun, 22 Nov 2020 18:02:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 12:10:07.998366
- Title: End-to-End Differentiable 6DoF Object Pose Estimation with Local and
Global Constraints
- Title(参考訳): 局所的および大域的な制約を伴うエンドツーエンドの微分可能な6dofオブジェクトポーズ推定
- Authors: Anshul Gupta, Joydeep Medhi, Aratrik Chattopadhyay, Vikram Gupta
- Abstract要約: 本稿では,局所制約を統合するためのペアワイズ特徴抽出法と,改良された6DoFオブジェクトポーズ推定のためのグローバル制約を統合するためのトリプル正規化を提案する。
提案手法は,Occlusion Linemodデータセットの課題に対して,従来よりも9%改善され,Linemodデータセットの競争結果が得られた。
- 参考スコア(独自算出の注目度): 2.724141845301679
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inferring the 6DoF pose of an object from a single RGB image is an important
but challenging task, especially under heavy occlusion. While recent approaches
improve upon the two stage approaches by training an end-to-end pipeline, they
do not leverage local and global constraints. In this paper, we propose
pairwise feature extraction to integrate local constraints, and triplet
regularization to integrate global constraints for improved 6DoF object pose
estimation. Coupled with better augmentation, our approach achieves state of
the art results on the challenging Occlusion Linemod dataset, with a 9%
improvement over the previous state of the art, and achieves competitive
results on the Linemod dataset.
- Abstract(参考訳): 単一のRGB画像からオブジェクトの6DoFのポーズを推定することは重要な課題だが、特に重閉塞下では難しい。
最近のアプローチでは、エンドツーエンドのパイプラインをトレーニングすることで、2段階のアプローチが改善されている。
本稿では,局所制約を統合するためのペアワイズ特徴抽出法と,改良された6DoFオブジェクトポーズ推定のためのグローバル制約を統合するためのトリプル正規化を提案する。
拡張性の向上と相まって,挑戦的なオクルージョン型linemodデータセット上での最先端の成果を達成し,以前の状態よりも9%向上し,linemodデータセット上での競合的な結果を得る。
関連論文リスト
- Dynamic Regularized Sharpness Aware Minimization in Federated Learning:
Approaching Global Consistency and Smooth Landscape [85.58750553923568]
フェデレートラーニング(FL)では、グローバルサーバの協調の下で、ローカルクライアントのクラスタがチェアリングされる。
クライアントは自身のオプティマに過度に適合する傾向にあり、グローバルな目標から非常に逸脱する。
tt Family FedSMOOは、グローバルな目的に対する局所的な最適性を保証するために動的正規化器を採用する。
理論解析により, tt Family FedSMOO は, 低境界一般化による高速$mathcalO (1/T)$収束率を達成することが示された。
論文 参考訳(メタデータ) (2023-05-19T10:47:44Z) - Manifold-Aware Self-Training for Unsupervised Domain Adaptation on
Regressing 6D Object Pose [69.14556386954325]
視覚的回帰における合成データと実データとのドメインギャップは,グローバルな特徴アライメントと局所的な改善によって橋渡しされる。
提案手法は明示的な自己教師付き多様体正規化を取り入れ,領域間の一貫した累積的対象依存性を明らかにする。
暗黙的ニューラルファンクションを学習して、最も近いクラスビンへの相対的な方向と目標の距離を推定し、ターゲット分類予測を洗練することを目的としている。
論文 参考訳(メタデータ) (2023-05-18T08:42:41Z) - Robust Category-Level 6D Pose Estimation with Coarse-to-Fine Rendering
of Neural Features [17.920305227880245]
1枚のRGB画像からカテゴリレベルの6Dポーズ推定の問題を考察する。
提案手法は,対象カテゴリを立方体メッシュとして表現し,各メッシュにおける神経機能アクティベーションの生成モデルを学習する。
実験では,先行作業と比較して,カテゴリレベルの6次元ポーズ推定性能が向上した。
論文 参考訳(メタデータ) (2022-09-12T21:31:36Z) - $\texttt{FedBC}$: Calibrating Global and Local Models via Federated
Learning Beyond Consensus [66.62731854746856]
フェデレートラーニング(FL)では、デバイス全体にわたるモデル更新の集約を通じて、グローバルモデルを協調的に学習する目的は、ローカル情報を通じたパーソナライズという目標に反対する傾向にある。
本研究では,このトレードオフを多基準最適化により定量的にキャリブレーションする。
私たちは、$texttFedBC$が、スイートデータセット間でグローバルおよびローカルモデルのテスト精度のメトリクスのバランスをとることを実証しています。
論文 参考訳(メタデータ) (2022-06-22T02:42:04Z) - RNNPose: Recurrent 6-DoF Object Pose Refinement with Robust
Correspondence Field Estimation and Pose Optimization [46.144194562841435]
本稿では、オブジェクトポーズ改善のためのリカレントニューラルネットワーク(RNN)に基づくフレームワークを提案する。
この問題は、推定対応フィールドに基づいて非線形最小二乗問題として定式化される。
各イテレーションにおいて、対応フィールド推定とポーズ精錬を代替して行い、正確なオブジェクトポーズを復元する。
論文 参考訳(メタデータ) (2022-03-24T06:24:55Z) - SO-Pose: Exploiting Self-Occlusion for Direct 6D Pose Estimation [98.83762558394345]
SO-Poseは、オブジェクトの6自由度(6DoF)をすべて、単一のRGBイメージから散らばった環境でポーズさせるフレームワークである。
本稿では,3次元オブジェクトの2層表現を確立するために,自己閉塞に関する新たな推論を導入する。
対応性,自己閉塞性,6次元ポーズを整列する層間合成により,精度とロバスト性をさらに向上させることができる。
論文 参考訳(メタデータ) (2021-08-18T19:49:29Z) - Learning to Estimate Hidden Motions with Global Motion Aggregation [71.12650817490318]
閉塞は、局所的な証拠に依存する光学フローアルゴリズムに重大な課題をもたらす。
最初の画像でピクセル間の長距離依存性を見つけるために,グローバルモーションアグリゲーションモジュールを導入する。
遮蔽領域における光流量推定が非遮蔽領域における性能を損なうことなく大幅に改善できることを実証した。
論文 参考訳(メタデータ) (2021-04-06T10:32:03Z) - Robust RGB-based 6-DoF Pose Estimation without Real Pose Annotations [92.5075742765229]
そこで本研究では,実際のポーズアノテーションを使わずに,課題条件下での6-DoFのポーズを頑健かつ正確に推定する手法を提案する。
LINEMOD と OccludedLINEMOD を実地設定なしで実現し、Occluded-LINEMOD のトレーニング中に実際のアノテーションに依存する方法よりも優れています。
論文 参考訳(メタデータ) (2020-08-19T12:07:01Z)
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。