論文の概要: Collision Replay: What Does Bumping Into Things Tell You About Scene Geometry?

• arxiv url: http://arxiv.org/abs/2105.01061v1
• Date: Mon, 3 May 2021 17:59:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-04 13:58:41.595866
• Title: Collision Replay: What Does Bumping Into Things Tell You About Scene Geometry?
• Title（参考訳）: Collision Replay: 風景幾何学について教えてくれるものは何か?
• Authors: Alexander Raistrick, Nilesh Kulkarni, David F. Fouhey
• Abstract要約: 衝突の例を用いて過去のフレームでの観測を監督する。 我々は衝突リプレイを用いて畳み込みニューラルネットワークを訓練し、新しい画像から衝突時間の分布を予測する。 本手法は,フォトリアリスティックシミュレータにおいてノイズアクティベーションを有するエージェントを用いて解析する。
• 参考スコア（独自算出の注目度）: 87.63134188675717
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: What does bumping into things in a scene tell you about scene geometry? In this paper, we investigate the idea of learning from collisions. At the heart of our approach is the idea of collision replay, where we use examples of a collision to provide supervision for observations at a past frame. We use collision replay to train convolutional neural networks to predict a distribution over collision time from new images. This distribution conveys information about the navigational affordances (e.g., corridors vs open spaces) and, as we show, can be converted into the distance function for the scene geometry. We analyze this approach with an agent that has noisy actuation in a photorealistic simulator.
• Abstract（参考訳）: シーンにぶつかって、シーンの幾何学について何を教えてくれるのか? 本稿では,衝突からの学習について考察する。 われわれのアプローチの核心は衝突を再現するという考えであり、衝突の例を使って過去のフレームでの観察を監督する。 我々は衝突リプレイを用いて畳み込みニューラルネットワークを訓練し、新しい画像から衝突時間の分布を予測する。 この分布は、ナビゲーションアフォーアンス(例えば、廊下対オープンスペース)に関する情報を伝達し、我々が示すように、シーン幾何学のための距離関数に変換することができる。 本手法は,フォトリアリスティックシミュレータにおいてノイズアクティベーションを有するエージェントを用いて解析する。

関連論文リスト

• CabiNet: Scaling Neural Collision Detection for Object Rearrangement with Procedural Scene Generation [54.68738348071891]
  私たちはまず、さまざまな日常環境において、650万以上の散らばったシーン(前よりも桁違いに多い)を生成します。 このデータから合成部分点雲をレンダリングし、それをCabiNetモデルアーキテクチャのトレーニングに使用します。 CabiNetは、オブジェクトとシーンポイントの雲を受け入れる衝突モデルである。
  論文  参考訳（メタデータ） (2023-04-18T21:09:55Z)
• COPILOT: Human-Environment Collision Prediction and Localization from Egocentric Videos [62.34712951567793]
  エゴセントリックな観測から人間と環境の衝突を予測する能力は、VR、AR、ウェアラブルアシストロボットなどのアプリケーションにおける衝突回避を可能にするために不可欠である。 本稿では、ボディマウントカメラから撮影した多視点エゴセントリックビデオから、多様な環境における衝突を予測するという課題を紹介する。 衝突予測と局所化を同時に行うために,COPILOTと呼ばれるトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2022-10-04T17:49:23Z)
• Active Learning of Neural Collision Handler for Complex 3D Mesh Deformations [68.0524382279567]
  3次元変形メッシュにおける衝突の検出と処理を行う頑健な学習アルゴリズムを提案する。 提案手法は教師あり学習法より優れ, 精度は93.8-98.1%である。
  論文  参考訳（メタデータ） (2021-10-08T04:08:31Z)
• Moving SLAM: Fully Unsupervised Deep Learning in Non-Rigid Scenes [85.56602190773684]
  従来のカメラ幾何学を用いて異なる視点からソースイメージを再レンダリングするビュー合成という考え方に基づいている。 映像中の合成画像と対応する実画像との誤差を最小化することにより、ポーズや深さを予測するディープネットワークを完全に教師なしで訓練することができる。
  論文  参考訳（メタデータ） (2021-05-05T17:08:10Z)
• Predicting and Attending to Damaging Collisions for Placing Everyday Objects in Photo-Realistic Simulations [27.312610846200187]
  自由領域検出のための平面検出を用いたルールベースアプローチは, 性能不良であることを示す。 本研究では,マルチモーダル・アテンション・ブランチと自己アテンション機構を有するponnetを開発した。 本手法は,衝突の危険を可視化することができるため,利用者が危険を理解できるため便利である。
  論文  参考訳（メタデータ） (2021-02-12T13:21:45Z)
• COLLIDE-PRED: Prediction of On-Road Collision From Surveillance Videos [0.0]
  ビデオ中の衝突を予測するために, COLLIDE-PRED と呼ばれるエンドツーエンドの衝突予測システムを提案する。 提案手法は,多数の異なるビデオを用いて実験的に検証され,事故の特定に有効であることが証明された。
  論文  参考訳（メタデータ） (2021-01-21T06:45:56Z)
• Object Rearrangement Using Learned Implicit Collision Functions [61.90305371998561]
  本研究では,シーン内の6DOFオブジェクトのポーズに対して,シーンとクエリ対象点の雲を受け付け,衝突を予測できる学習的衝突モデルを提案する。 我々は,テーブルトップ再構成タスクにおけるモデル予測経路積分(MPPI)ポリシーの一部として,学習された衝突モデルを活用する。 学習モデルは従来のパイプラインよりも優れており、シミュレーションされた衝突クエリのデータセット上では9.8%の精度で学習精度が向上している。
  論文  参考訳（メタデータ） (2020-11-21T05:36:06Z)

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。