論文の概要: StablePose: Learning 6D Object Poses from Geometrically Stable Patches

• arxiv url: http://arxiv.org/abs/2102.09334v1
• Date: Thu, 18 Feb 2021 13:46:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-19 21:31:43.631840
• Title: StablePose: Learning 6D Object Poses from Geometrically Stable Patches
• Title（参考訳）: StablePose:幾何学的に安定したパッチから6Dオブジェクトを学習する
• Authors: Junwen Huang, Yifei Shi, Xin Xu, Yifan Zhang, Kai Xu
• Abstract要約: 3次元点雲から抽出した幾何学的安定なパッチに基づいてポーズ推定を行う。 私達は幾何学的に安定したパッチ グループに基づいて6D目的のポーズをregress深くニューラルネットワークを訓練します。 サブネットワークは、パッチごとのポーズを予測するために共同で訓練される。
• 参考スコア（独自算出の注目度）: 17.466117340347925
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce the concept of geometric stability to the problem of 6D object pose estimation and propose to learn pose inference based on geometrically stable patches extracted from observed 3D point clouds. According to the theory of geometric stability analysis, a minimal set of three planar/cylindrical patches are geometrically stable and determine the full 6DoFs of the object pose. We train a deep neural network to regress 6D object pose based on geometrically stable patch groups via learning both intra-patch geometric features and inter-patch contextual features. A subnetwork is jointly trained to predict per-patch poses. This auxiliary task is a relaxation of the group pose prediction: A single patch cannot determine the full 6DoFs but is able to improve pose accuracy in its corresponding DoFs. Working with patch groups makes our method generalize well for random occlusion and unseen instances. The method is easily amenable to resolve symmetry ambiguities. Our method achieves the state-of-the-art results on public benchmarks compared not only to depth-only but also to RGBD methods. It also performs well in category-level pose estimation.
• Abstract（参考訳）: 本稿では,6次元物体ポーズ推定問題に対する幾何学的安定性の概念を紹介し,観測された3次元点雲から抽出した幾何学的安定パッチに基づくポーズ推定法を提案する。 幾何安定性解析の理論によれば、3つの平面/円筒のパッチの最小セットは幾何学的に安定であり、対象の完全な6DoFを決定する。 深層ニューラルネットワークをトレーニングし、幾何学的に安定なパッチ群に基づく6Dオブジェクトのポーズを、パッチ内幾何学的特徴とパッチ間文脈的特徴の両方を学習する。 サブネットワークは、パッチごとのポーズを予測するために共同で訓練される。 この補助的なタスクはグループポーズ予測の緩和である: 単一のパッチは完全な6DoFを決定できないが、対応するDoFのポーズ精度を改善することができる。 パッチグループを扱うことで、ランダムな閉塞や目に見えないインスタンスに対してよく一般化できる。 この方法は対称性の曖昧さを解決するのに容易である。 提案手法は,深度のみでなく,RGBD法にも比較して,公開ベンチマークの最先端結果を実現する。 カテゴリーレベルのポーズ推定でもうまく機能する。

関連論文リスト

• Learning to Estimate 6DoF Pose from Limited Data: A Few-Shot, Generalizable Approach using RGB Images [60.0898989456276]
  本稿では,数ショットの6DoFポーズ推定のためのCas6Dという新しいフレームワークを提案する。 極めて少数の設定で対象物検出の偽陽性に対処するために,本フレームワークでは,自己教師付き事前学習型ViTを用いて,ロバストな特徴表現を学習する。 LINEMODとGenMOPデータセットの実験結果は、Cas6Dが32ショット設定で最先端の手法を9.2%、精度3.8%(Proj-5)で上回ることを示した。
  論文  参考訳（メタデータ） (2023-06-13T07:45:42Z)
• 6DOF Pose Estimation of a 3D Rigid Object based on Edge-enhanced Point Pair Features [20.33119373900788]
  本稿では,点対特徴量(PPF)に基づく効率的な6次元ポーズ推定手法を提案する。 エッジマッチング度を計算することにより、対称曖昧性を解決するために、ポーズ仮説の検証手法を提案する。
  論文  参考訳（メタデータ） (2022-09-17T07:05:50Z)
• Unseen Object 6D Pose Estimation: A Benchmark and Baselines [62.8809734237213]
  本稿では,新しい物体の6次元ポーズ推定をアルゴリズムで行えるようにするための新しいタスクを提案する。 実画像と合成画像の両方でデータセットを収集し、テストセットで最大48個の未確認オブジェクトを収集する。 エンド・ツー・エンドの3D対応ネットワークをトレーニングすることにより、未確認物体と部分ビューRGBD画像との対応点を高精度かつ効率的に見つけることができる。
  論文  参考訳（メタデータ） (2022-06-23T16:29:53Z)
• Coupled Iterative Refinement for 6D Multi-Object Pose Estimation [64.7198752089041]
  既知の3DオブジェクトのセットとRGBまたはRGB-Dの入力画像から、各オブジェクトの6Dポーズを検出して推定する。 我々のアプローチは、ポーズと対応を緊密に結合した方法で反復的に洗練し、アウトレーヤを動的に除去して精度を向上させる。
  論文  参考訳（メタデータ） (2022-04-26T18:00:08Z)
• ZebraPose: Coarse to Fine Surface Encoding for 6DoF Object Pose Estimation [76.31125154523056]
  物体表面を高密度に表現できる離散ディスクリプタを提案する。 また,微粒化対応予測が可能な微粒化学習戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-17T16:16:24Z)
• GPV-Pose: Category-level Object Pose Estimation via Geometry-guided Point-wise Voting [103.74918834553249]
  GPV-Poseはロバストなカテゴリーレベルのポーズ推定のための新しいフレームワークである。 幾何学的洞察を利用して、カテゴリーレベルのポーズ感応的特徴の学習を強化する。 一般的な公開ベンチマークにおいて、最先端の競合相手に優れた結果をもたらす。
  論文  参考訳（メタデータ） (2022-03-15T13:58:50Z)
• Learning Stereopsis from Geometric Synthesis for 6D Object Pose Estimation [11.999630902627864]
  現在のモノクラーベース6Dオブジェクトポーズ推定法は、一般的にRGBDベースの手法よりも競争力の低い結果が得られる。 本稿では,短いベースライン2ビュー設定による3次元幾何体積に基づくポーズ推定手法を提案する。 実験により,本手法は最先端の単分子法よりも優れ,異なる物体やシーンにおいて堅牢であることが示された。
  論文  参考訳（メタデータ） (2021-09-25T02:55:05Z)
• CAPTRA: CAtegory-level Pose Tracking for Rigid and Articulated Objects from Point Clouds [97.63549045541296]
  新規なリジッドオブジェクトインスタンスに対する9DoFポーズトラッキングと,関節付きオブジェクトに対するパート毎ポーズトラッキングを処理可能な統一フレームワークを提案する。 本手法は、高速なFPS 12で、カテゴリレベルのリジッドオブジェクトポーズ(NOCS-REAL275)と関節オブジェクトポーズベンチマーク(SAPIEN、BMVC)の最新のパフォーマンスを実現します。
  論文  参考訳（メタデータ） (2021-04-08T00:14:58Z)

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。