論文の概要: Object sorting using faster R-CNN

• arxiv url: http://arxiv.org/abs/2012.14840v1
• Date: Tue, 29 Dec 2020 16:41:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-18 20:48:11.467375
• Title: Object sorting using faster R-CNN
• Title（参考訳）: 高速R-CNNを用いたオブジェクトソート
• Authors: Pengchang Chen and Vinayak Elangovan
• Abstract要約: 工場生産ラインでは、異なる産業部品を迅速に差別化し、さらなるプロセスのために選別する必要がある。 3つの異なるニューラルネットワークモデルがオブジェクトソートシステムと比較される。 オブジェクトソートシステムでは、Arduino制御の5 DoFロボットアームが対象のゾーンにオブジェクトをつかんでドロップするようにプログラムされている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In a factory production line, different industry parts need to be quickly differentiated and sorted for further process. Parts can be of different colors and shapes. It is tedious for humans to differentiate and sort these objects in appropriate categories. Automating this process would save more time and cost. In the automation process, choosing an appropriate model to detect and classify different objects based on specific features is more challenging. In this paper, three different neural network models are compared to the object sorting system. They are namely CNN, Fast R-CNN, and Faster R-CNN. These models are tested, and their performance is analyzed. Moreover, for the object sorting system, an Arduino-controlled 5 DoF (degree of freedom) robot arm is programmed to grab and drop symmetrical objects to the targeted zone. Objects are categorized into classes based on color, defective and non-defective objects.
• Abstract（参考訳）: 工場生産ラインでは、異なる産業部品を迅速に差別化し、さらなるプロセスのために選別する必要がある。 部品は異なる色と形状を持つことができる。 人間がこれらの物体を適切なカテゴリーで区別して分類するのは面倒である。 このプロセスの自動化は、より多くの時間とコストを節約します。 自動化プロセスでは、特定の機能に基づいて異なるオブジェクトを検出し分類する適切なモデルを選択することがより難しい。 本稿では,3種類のニューラルネットワークモデルとオブジェクトソートシステムを比較した。 CNN、Fast R-CNN、Faster R-CNNである。 これらのモデルはテストされ、パフォーマンスが解析される。 さらに、オブジェクトソートシステムでは、Arduino制御の5 DoF(自由度)ロボットアームをプログラムして、対象ゾーンに対称オブジェクトをつかんでドロップする。 オブジェクトは、色、欠陥、非欠陥オブジェクトに基づいてクラスに分類される。

関連論文リスト

• DoUnseen: Tuning-Free Class-Adaptive Object Detection of Unseen Objects for Robotic Grasping [1.6317061277457001]
  我々は、微調整を必要としないオブジェクト検出器を開発し、オブジェクトのいくつかの画像をキャプチャすることで、任意のオブジェクトをクラスとして追加できる。 クラス適応型オブジェクト検出器を未知のデータセット上で評価し、それらのデータセット上で訓練されたMask R-CNNと比較する。
  論文  参考訳（メタデータ） (2023-04-06T02:45:39Z)
• A Tiny Machine Learning Model for Point Cloud Object Classification [49.16961132283838]
  我々は,ポイントクラウドオブジェクトのマルチスケール表現を,複雑性低減のための単一スケール表現に置き換える。 我々は、点雲オブジェクトのリッチな3次元幾何情報を利用して性能を向上する。 提案手法は計算量が少ないためGreen-PointHopと名付けられた。
  論文  参考訳（メタデータ） (2023-03-20T06:35:46Z)
• 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)
• Robust Change Detection Based on Neural Descriptor Fields [53.111397800478294]
  我々は、部分的に重なり合う観測結果とノイズのある局所化結果に頑健なオブジェクトレベルのオンライン変化検出手法を開発した。 形状符号の類似性を利用して物体を連想させ, 局所的な物体近傍の空間配置を比較することにより, 観測重複や局所雑音に対する頑健性を示す。
  論文  参考訳（メタデータ） (2022-08-01T17:45:36Z)
• Neural Descriptor Fields: SE(3)-Equivariant Object Representations for Manipulation [75.83319382105894]
  対象と対象の相対的なポーズを符号化するオブジェクト表現であるニューラル・ディスクリプタ・フィールド(NDF)を提案する。 NDFは、専門家ラベル付きキーポイントに依存しない3D自動エンコーディングタスクを通じて、自己教師型で訓練される。 我々のパフォーマンスは、オブジェクトインスタンスと6-DoFオブジェクトの両方のポーズを一般化し、2Dディスクリプタに依存する最近のベースラインを著しく上回ります。
  論文  参考訳（メタデータ） (2021-12-09T18:57:15Z)
• Single Object Tracking through a Fast and Effective Single-Multiple Model Convolutional Neural Network [0.0]
  最近の最先端の(SOTA)アプローチは、エリア内の他のオブジェクトとターゲットを区別するために重い構造を持つマッチングネットワークを取ることに基づいて提案されています。 本稿では,これまでのアプローチとは対照的に,一つのショットで物体の位置を識別できる特殊なアーキテクチャを提案する。 提示されたトラッカーは、1080tiで最大120 fps$の超高速で、挑戦的な状況でsomaと比較してパフォーマンスする。
  論文  参考訳（メタデータ） (2021-03-28T11:02:14Z)
• Supervised Training of Dense Object Nets using Optimal Descriptors for Industrial Robotic Applications [57.87136703404356]
  Florence、Manuelli、TedrakeによるDense Object Nets(DON)は、ロボットコミュニティのための新しいビジュアルオブジェクト表現として高密度オブジェクト記述子を導入した。 本稿では, 物体の3次元モデルを考えると, 記述子空間画像を生成することができ, DON の教師付きトレーニングが可能であることを示す。 産業用物体の6次元グリップ生成のためのトレーニング手法を比較し,新しい教師付きトレーニング手法により,産業関連タスクのピック・アンド・プレイス性能が向上することを示す。
  論文  参考訳（メタデータ） (2021-02-16T11:40:12Z)
• Entropy Guided Adversarial Model for Weakly Supervised Object Localization [11.77745060973134]
  トレーニング中にネットワークが生成したCAMにシャノンエントロピーを適用して誘導する。 我々の手法は、画像のどの部分も消去しないし、ネットワークのアーカイトキュアも変更しない。 我々のEntropy Guided Adversarial Model(EGAモデル)は、ローカライゼーションと分類精度の両面において、最先端のアーツベンチマークの性能を改善した。
  論文  参考訳（メタデータ） (2020-08-04T19:39:12Z)
• Training Interpretable Convolutional Neural Networks by Differentiating Class-specific Filters [64.46270549587004]
  畳み込みニューラルネットワーク(CNN)は、様々なタスクでうまく使われている。 CNNは、しばしば「ブラックボックス」と解釈可能性の欠如とみなされる。 本稿では,クラス固有のフィルタを奨励することで,解釈可能なCNNを訓練する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-16T09:12:26Z)
• GNN3DMOT: Graph Neural Network for 3D Multi-Object Tracking with Multi-Feature Learning [30.72094639797806]
  3次元多物体追跡(MOT)は自律システムにとって不可欠である。 そこで本研究では,MOTの識別的特徴学習を改善するための2つの手法を提案する。 提案手法は, KITTI および nuScenes 3D MOT ベンチマーク上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-06-12T17:08:14Z)

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。