論文の概要: A novel method for object detection using deep learning and CAD models
- arxiv url: http://arxiv.org/abs/2102.06729v1
- Date: Fri, 12 Feb 2021 19:19:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-16 16:13:29.416296
- Title: A novel method for object detection using deep learning and CAD models
- Title（参考訳）: ディープラーニングとCADモデルを用いた新しい物体検出法
- Authors: Igor Garcia Ballhausen Sampaio and Luigy Machaca and Jos\'e Viterbo
and Joris Gu\'erin
- Abstract要約: 目的の検出(OD)は生産ラインの品質管理に使用することができる企業のための重要なコンピュータ視野問題です。
近年,Deep Learning (DL) 手法により,複雑な実世界の画像上でのODモデルの訓練が可能になった。
本稿では,オブジェクトのCADモデルを用いた完全自動化手法を導入し,このオブジェクトを検出するための完全に訓練されたODモデルを返す。
- 参考スコア（独自算出の注目度）: 0.4588028371034407
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Object Detection (OD) is an important computer vision problem for industry,
which can be used for quality control in the production lines, among other
applications. Recently, Deep Learning (DL) methods have enabled practitioners
to train OD models performing well on complex real world images. However, the
adoption of these models in industry is still limited by the difficulty and the
significant cost of collecting high quality training datasets. On the other
hand, when applying OD to the context of production lines, CAD models of the
objects to be detected are often available. In this paper, we introduce a fully
automated method that uses a CAD model of an object and returns a fully trained
OD model for detecting this object. To do this, we created a Blender script
that generates realistic labeled datasets of images containing the object,
which are then used for training the OD model. The method is validated
experimentally on two practical examples, showing that this approach can
generate OD models performing well on real images, while being trained only on
synthetic images. The proposed method has potential to facilitate the adoption
of object detection models in industry as it is easy to adapt for new objects
and highly flexible. Hence, it can result in significant costs reduction, gains
in productivity and improved products quality.
- Abstract（参考訳）: オブジェクト検出(OD)は、他のアプリケーションの中で生産ラインの品質管理に使用することができる業界にとって重要なコンピュータビジョンの問題です。
近年,Deep Learning (DL) 手法により,複雑な実世界の画像上でのODモデルの訓練が可能になった。
しかし、これらのモデルの採用は、高品質のトレーニングデータセットの収集の難しさと大幅なコストによって、まだ制限されています。
一方、生産ラインのコンテキストにODを適用すると、検出対象のCADモデルが利用可能になることがよくあります。
本稿では,オブジェクトのCADモデルを用いた完全自動化手法を導入し,このオブジェクトを検出するための完全に訓練されたODモデルを返す。
そこで我々は、オブジェクトを含む画像のリアルなラベル付きデータセットを生成するBlenderスクリプトを作成し、ODモデルのトレーニングに使用した。
この手法は2つの実例で実験的に検証され、合成画像のみを訓練しながら実画像上でうまく機能するodモデルを生成することができることを示した。
提案手法は,新しいオブジェクトへの適応が容易で柔軟性が高いため,産業におけるオブジェクト検出モデルの採用を促進する可能性がある。
したがって、大幅なコスト削減、生産性の向上、製品品質の向上につながります。
関連論文リスト
- Zero-Shot Object-Centric Representation Learning [72.43369950684057]
ゼロショット一般化のレンズによる現在の対象中心法について検討する。
8つの異なる合成および実世界のデータセットからなるベンチマークを導入する。
多様な実世界の画像のトレーニングにより、見えないシナリオへの転送性が向上することがわかった。
論文 参考訳（メタデータ） (2024-08-17T10:37:07Z) - NeuSurfEmb: A Complete Pipeline for Dense Correspondence-based 6D Object Pose Estimation without CAD Models [34.898217885820614]
CADモデルを必要とせず、入力として少数の実画像のみを必要とする最先端のポーズ推定器を訓練できるパイプラインを提案する。
提案手法は,Structure-from-Motion (SfM) とオブジェクトに依存しないセグメンテーションに基づいて,半自動で学習するNeuS2オブジェクト表現に基づいている。
提案手法をLINEMOD-Occlusionデータセット上で評価し,各コンポーネントの影響を広範囲に検討し,CADモデルとPBRデータに基づくアプローチによる競合性能を示す。
論文 参考訳（メタデータ） (2024-07-16T22:48:22Z) - Photogrammetry for Digital Twinning Industry 4.0 (I4) Systems [0.43127334486935653]
デジタルツイン(Digital Twins、DT)は、物理プロセスの振る舞いを再現するためにソフトウェアシステムを活用する変換技術である。
本稿では,「物理過程」の正確な視覚表現を実現するために,フォトグラムメトリーと3次元走査技術の利用を探求することを目的とする。
その結果, コンシューマグレードデバイスを用いたフォトグラメトリは, スマート製造のためのDTを作成する上で, 効率的かつコスト効率のよいアプローチであることが示唆された。
論文 参考訳（メタデータ） (2024-07-12T04:51:19Z) - SOAR: Advancements in Small Body Object Detection for Aerial Imagery Using State Space Models and Programmable Gradients [0.8873228457453465]
空中画像における小さな物体検出は、コンピュータビジョンにおいて重要な課題である。
トランスフォーマーベースのモデルを用いた従来の手法は、特殊データベースの欠如に起因する制限に直面していることが多い。
本稿では,小型空中物体の検出とセグメンテーション機能を大幅に向上する2つの革新的なアプローチを紹介する。
論文 参考訳（メタデータ） (2024-05-02T19:47:08Z) - DIO: Dataset of 3D Mesh Models of Indoor Objects for Robotics and
Computer Vision Applications [17.637438333501628]
現実世界の物体の正確な仮想モデルを作成することは、ロボットシミュレーションやコンピュータビジョンのような応用に不可欠である。
本稿では,現実世界のオブジェクトのメッシュモデルのデータベース生成に使用するさまざまな手法について述べる。
論文 参考訳（メタデータ） (2024-02-19T04:58:40Z) - MegaPose: 6D Pose Estimation of Novel Objects via Render & Compare [84.80956484848505]
MegaPoseは、トレーニング中に見えない新しいオブジェクトの6Dポーズを推定する方法である。
本稿では,新しいオブジェクトに適用可能なR&Compare戦略に基づく6次元ポーズリファインダを提案する。
第2に,合成レンダリングと同一物体の観察画像間のポーズ誤差をリファインダで補正できるか否かを分類するために訓練されたネットワークを利用する,粗いポーズ推定のための新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-12-13T19:30:03Z) - Bridging the Gap to Real-World Object-Centric Learning [66.55867830853803]
自己教師付き方法で訓練されたモデルから特徴を再構成することは、完全に教師なしの方法でオブジェクト中心表現が生じるための十分な訓練信号であることを示す。
我々のアプローチであるDINOSAURは、シミュレーションデータ上で既存のオブジェクト中心学習モデルよりも大幅に優れています。
論文 参考訳（メタデータ） (2022-09-29T15:24:47Z) - Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。
我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2021-04-05T14:15:49Z) - 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) - Object Detection and Recognition of Swap-Bodies using Camera mounted on
a Vehicle [13.702911401489427]
本研究の目的は、スワップボディのオブジェクト検出を共同で行い、ILUコードを読み取ってスワップボディの種類を見つけることである。
近年の研究活動は、コンピュータビジョンの分野を強化する深層学習技術を大幅に改善している。
論文 参考訳（メタデータ） (2020-04-17T08:49:54Z) - CPS++: Improving Class-level 6D Pose and Shape Estimation From Monocular
Images With Self-Supervised Learning [74.53664270194643]
現代のモノクロ6Dポーズ推定手法は、少数のオブジェクトインスタンスにしか対応できない。
そこで本研究では,計量形状検索と組み合わせて,クラスレベルのモノクル6次元ポーズ推定手法を提案する。
1枚のRGB画像から正確な6Dポーズとメートル法形状を抽出できることを実験的に実証した。
論文 参考訳（メタデータ） (2020-03-12T15:28:13Z)
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。