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
- DUCK: Distance-based Unlearning via Centroid Kinematics [42.642008092347986]
本研究は,Centroid Kinematics (DUCK) による遠隔学習(Distance-based Unlearning)と呼ばれる新しいアンラーニングアルゴリズムを導入する。
アルゴリズムの性能評価は、様々なベンチマークデータセットにまたがって行われる。
対象データを忘れる際の未学習プロセスの有効性だけでなく,元のモデルに対する性能損失の定量化も含む,適応未学習スコア(Adaptive Unlearning Score, AUS)と呼ばれる新しいメトリクスを導入する。
論文 参考訳(メタデータ) (2023-12-04T17:10:25Z) - MeanAP-Guided Reinforced Active Learning for Object Detection [34.19741444116433]
本稿では,オブジェクト検出のためのMeanAP誘導強化能動学習について紹介する。
LSTMアーキテクチャに基づいて構築されたエージェントは、その後のトレーニングインスタンスを効率的に探索し、選択する。
我々は、一般的なベンチマーク、PASCAL VOC、MS COCOにおけるMAGRALの有効性を評価した。
論文 参考訳(メタデータ) (2023-10-12T14:59:22Z) - On-the-Fly Guidance Training for Medical Image Registration [15.35199642275687]
本研究は,弱い教師付きおよび教師なしの手法に固有の制約に対処し,学習に基づく画像登録の領域における新たなアプローチを探求する。
本研究は,既存のモデルを強化するために,OFG(On-the-Fly Guidance)を用いたユニークなトレーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-29T11:12:53Z) - 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) - Locally Aware Piecewise Transformation Fields for 3D Human Mesh
Registration [67.69257782645789]
本論文では,3次元変換ベクトルを学習し,提案空間内の任意のクエリ点をリザーブ空間内の対応する位置にマップする部分変換場を提案する。
パラメトリックモデルにネットワークのポーズを合わせることで、特に極端なポーズにおいて、より優れた登録品質が得られることを示す。
論文 参考訳(メタデータ) (2021-04-16T15:16:09Z) - 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) - 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) - 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。