論文の概要: ReAgent: Point Cloud Registration using Imitation and Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2103.15231v1
• Date: Sun, 28 Mar 2021 22:04:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 15:00:22.877623
• Title: ReAgent: Point Cloud Registration using Imitation and Reinforcement Learning
• Title（参考訳）: ReAgent: 模倣と強化学習を用いたポイントクラウド登録
• Authors: Dominik Bauer, Timothy Patten and Markus Vincze
• Abstract要約: 3Dコンピュータビジョンタスクのための新しいポイントクラウド登録エージェント(ReAgent)を紹介します。 我々は,定常的な専門家政策に基づいて,個別登録ポリシーを初期化するために模倣学習を用いる。 我々は,ModelNet40(合成)とScanObjectNN(実データ)の両方における古典的および学習的登録手法との比較を行い,ReAgentが最先端の精度を実現することを示す。
• 参考スコア（独自算出の注目度）: 28.244027792644097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud registration is a common step in many 3D computer vision tasks such as object pose estimation, where a 3D model is aligned to an observation. Classical registration methods generalize well to novel domains but fail when given a noisy observation or a bad initialization. Learning-based methods, in contrast, are more robust but lack in generalization capacity. We propose to consider iterative point cloud registration as a reinforcement learning task and, to this end, present a novel registration agent (ReAgent). We employ imitation learning to initialize its discrete registration policy based on a steady expert policy. Integration with policy optimization, based on our proposed alignment reward, further improves the agent's registration performance. We compare our approach to classical and learning-based registration methods on both ModelNet40 (synthetic) and ScanObjectNN (real data) and show that our ReAgent achieves state-of-the-art accuracy. The lightweight architecture of the agent, moreover, enables reduced inference time as compared to related approaches. In addition, we apply our method to the object pose estimation task on real data (LINEMOD), outperforming state-of-the-art pose refinement approaches.
• Abstract（参考訳）: ポイントクラウドの登録は、オブジェクトポーズ推定のような多くの3Dコンピュータビジョンタスクにおいて一般的なステップであり、3Dモデルが観察に一致している。 古典的な登録法は、新しいドメインによく一般化するが、ノイズの多い観察や悪い初期化が与えられると失敗する。 対照的に学習ベースの手法はより堅牢であるが、一般化能力に欠ける。 本稿では,反復的ポイントクラウド登録を強化学習タスクとして考慮し,そのために新たな登録エージェント(エージェント)を提案する。 我々は,定常的な専門家政策に基づいて,個別登録ポリシーを初期化するために模倣学習を用いる。 提案するアライメント報酬に基づくポリシー最適化との統合は,エージェントの登録性能をさらに向上させる。 我々は,ModelNet40(合成)とScanObjectNN(実データ)の両方における古典的および学習的登録手法との比較を行い,ReAgentが最先端の精度を実現することを示す。 エージェントの軽量なアーキテクチャは、関連するアプローチと比較して推論時間を短縮することができる。 さらに,本手法を実データ(linemod)上のオブジェクトポーズ推定タスクに適用し,最先端のポーズリファインメント手法を上回っている。

関連論文リスト

• CMR-Agent: Learning a Cross-Modal Agent for Iterative Image-to-Point Cloud Registration [2.400446821380503]
  Image-to-point cloud registrationは、ポイントクラウドに対するRGBイメージの相対的なカメラポーズを決定することを目的としている。 学習に基づくほとんどの手法は、反復最適化のためのフィードバック機構を使わずに、特徴空間における2D-3D点対応を確立する。 本稿では,登録手順を反復マルコフ決定プロセスとして再構成し,カメラポーズの漸進的な調整を可能にすることを提案する。
  論文  参考訳（メタデータ） (2024-08-05T11:40:59Z)
• ACTRESS: Active Retraining for Semi-supervised Visual Grounding [52.08834188447851]
  前回の研究であるRefTeacherは、疑似自信と注意に基づく監督を提供するために教師学生の枠組みを採用することで、この課題に取り組むための最初の試みである。 このアプローチは、Transformerベースのパイプラインに従う現在の最先端のビジュアルグラウンドモデルと互換性がない。 本稿では, ACTRESS を略したセミスーパービジョン視覚グラウンドのためのアクティブ・リトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-03T16:33:31Z)
• GAFAR: Graph-Attention Feature-Augmentation for Registration A Fast and Light-weight Point Set Registration Algorithm [12.592563880121816]
  点雲の厳格な登録は コンピュータビジョンの根本的な問題です コンピュータビジョンにおけるディープラーニングは、このトピックの研究に新たな動機をもたらした。 本稿では,アテンション機構を用いた高速で軽量なネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-07-05T14:50:36Z)
• Unsupervised 3D registration through optimization-guided cyclical self-training [71.75057371518093]
  最先端のディープラーニングベースの登録方法は、3つの異なる学習戦略を採用している。 本稿では,教師なし登録のための自己指導型学習パラダイムを提案する。 腹部, 肺の登録方法の評価を行い, 測定基準に基づく監督を一貫して上回り, 最先端の競争相手よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-29T14:54:10Z)
• Learning-based Point Cloud Registration for 6D Object Pose Estimation in the Real World [55.7340077183072]
  我々は、ポイントクラウドデータからオブジェクトの6Dポーズを推定するタスクに取り組む。 この課題に対処する最近の学習ベースのアプローチは、合成データセットにおいて大きな成功を収めている。 これらの障害の原因を分析し、ソースとターゲットポイントの雲の特徴分布の違いに遡る。
  論文  参考訳（メタデータ） (2022-03-29T07:55:04Z)
• What Stops Learning-based 3D Registration from Working in the Real World? [53.68326201131434]
  この研究は、3Dポイントのクラウド登録失敗の原因を特定し、その原因を分析し、解決策を提案する。 最終的に、これは最も実践的な3D登録ネットワーク(BPNet)に変換される。 我々のモデルは微調整をせずに実データに一般化し、商用センサで得られた見えない物体の点雲上で最大67%の精度に達する。
  論文  参考訳（メタデータ） (2021-11-19T19:24:27Z)
• Model-based Meta Reinforcement Learning using Graph Structured Surrogate Models [40.08137765886609]
  グラフ構造化サーロゲートモデル (GSSM) と呼ばれるモデルが, 環境ダイナミクス予測における最先端の手法を上回っていることを示した。 当社のアプローチでは,テスト時間ポリシの勾配最適化を回避して,デプロイメント中の高速実行を実現しつつ,高いリターンを得ることができる。
  論文  参考訳（メタデータ） (2021-02-16T17:21:55Z)
• Learning the Update Operator for 2D/3D Image Registration [10.720342813316531]
  術前ボリュームは2D/3D画像登録を用いて2D画像の上にオーバーレイすることができる。 深層学習に基づく2D/3D登録法は,計算効率とロバスト性を向上させることによって有望な結果を示した。 更新ステップ予測における登録精度は,既知演算子を持たない学習と比較して1.8倍向上した。
  論文  参考訳（メタデータ） (2021-02-04T19:52:59Z)
• 3D Registration for Self-Occluded Objects in Context [66.41922513553367]
  このシナリオを効果的に処理できる最初のディープラーニングフレームワークを紹介します。 提案手法はインスタンスセグメンテーションモジュールとポーズ推定モジュールから構成される。 これにより、高価な反復手順を必要とせず、ワンショットで3D登録を行うことができます。
  論文  参考訳（メタデータ） (2020-11-23T08:05:28Z)
• Coarse-to-Fine Pre-training for Named Entity Recognition [26.00489191164784]
  NER固有の事前学習フレームワークを提案し、粗大から細小まで自動的に抽出された実体知識を事前学習モデルに注入する。 本フレームワークは,事前学習したベースラインに対する大幅な改善を実現し,3つのベンチマークに対して,新しい最先端のパフォーマンスを確立する。
  論文  参考訳（メタデータ） (2020-10-16T07:39:20Z)
• S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization [104.87483578308526]
  本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。 そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。 6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-18T11:44:10Z)

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。