論文の概要: GKNet: grasp keypoint network for grasp candidates detection

• arxiv url: http://arxiv.org/abs/2106.08497v1
• Date: Wed, 16 Jun 2021 00:34:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-17 17:13:19.830072
• Title: GKNet: grasp keypoint network for grasp candidates detection
• Title（参考訳）: GKNet: 候補検出のためのキーポイントネットワークの把握
• Authors: Ruinian Xu, Fu-Jen Chu and Patricio A. Vela
• Abstract要約: 本稿では、キーポイント検出として扱うことにより、検出を把握するための異なるアプローチを提案する。 ディープネットワークは、各グリップ候補を一対のキーポイントとして検出し、コーナーポイントの三重項や四重項ではなく、グリップ表現g = x, y, w,thetaTに変換する。
• 参考スコア（独自算出の注目度）: 15.214390498300101
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contemporary grasp detection approaches employ deep learning to achieve robustness to sensor and object model uncertainty. The two dominant approaches design either grasp-quality scoring or anchor-based grasp recognition networks. This paper presents a different approach to grasp detection by treating it as keypoint detection. The deep network detects each grasp candidate as a pair of keypoints, convertible to the grasp representation g = {x, y, w, {\theta}}^T, rather than a triplet or quartet of corner points. Decreasing the detection difficulty by grouping keypoints into pairs boosts performance. To further promote dependencies between keypoints, the general non-local module is incorporated into the proposed learning framework. A final filtering strategy based on discrete and continuous orientation prediction removes false correspondences and further improves grasp detection performance. GKNet, the approach presented here, achieves the best balance of accuracy and speed on the Cornell and the abridged Jacquard dataset (96.9% and 98.39% at 41.67 and 23.26 fps). Follow-up experiments on a manipulator evaluate GKNet using 4 types of grasping experiments reflecting different nuisance sources: static grasping, dynamic grasping, grasping at varied camera angles, and bin picking. GKNet outperforms reference baselines in static and dynamic grasping experiments while showing robustness to varied camera viewpoints and bin picking experiments. The results confirm the hypothesis that grasp keypoints are an effective output representation for deep grasp networks that provide robustness to expected nuisance factors.
• Abstract（参考訳）: センサや物体モデルの不確実性に対するロバスト性を実現するため、現代の把握検出手法ではディープラーニングを採用している。 2つの支配的アプローチは、把持品質スコアリングまたはアンカーベースの把持認識ネットワークを設計する。 本稿では、キーポイント検出として扱うことにより、検出を把握するための異なるアプローチを提案する。 ディープネットワークは、各把持候補を、三重項または四重項ではなく、把持表現 g = {x, y, w, {\theta}}^t に変換可能な一対のキーポイントとして検出する。 キーポイントをペアにグループ化することで検出の困難さを減らすことで、パフォーマンスが向上する。 キーポイント間の依存関係をさらに促進するため、一般的な非ローカルモジュールを学習フレームワークに組み込む。 離散および連続方向予測に基づく最終的なフィルタリング戦略は、誤対応を除去し、さらに把握検出性能を向上させる。 ここで示したアプローチであるgknetは、コーネルとabridged jacquardデータセット(41.67と23.26fpsで96.9%と98.39%)の精度と速度の最高のバランスを実現している。 マニピュレータにおける追従実験は, 静的な把握, ダイナミックな把握, 様々なカメラアングルでの把握, ビンピッキングの4種類のグリップ実験を用いて, GKNetを評価する。 GKNetは、様々なカメラ視点とビンピッキング実験に頑健さを示しながら、静的および動的把握実験において基準ベースラインを上回っている。 以上の結果から,鍵点の把握が,予測されたニュアサンス要因に対するロバスト性を提供する深層把握ネットワークの効果的な出力表現であるという仮説が裏付けられた。

関連論文リスト

• Graspness Discovery in Clutters for Fast and Accurate Grasp Detection [57.81325062171676]
  グレープネス(graspness)とは、散らばった場面で把握可能な領域を区別する幾何学的手がかりに基づく品質である。 本研究では,探索過程を近似するカスケード把握モデルを構築した。 大規模なベンチマークであるGraspNet-1Billionの実験では,提案手法が従来の手法よりも大きなマージンで優れていたことが示されている。
  論文  参考訳（メタデータ） (2024-06-17T02:06:47Z)
• Learning Better Keypoints for Multi-Object 6DoF Pose Estimation [1.0878040851638]
  グラフネットワークをトレーニングして、同様に分散された投票で分散されたキーポイントのセットを選択する。 これらの投票は、キーポイントの位置の証拠を蓄積するために回帰ネットワークによって学習され、より正確に回帰することができる。 実験では、KeyGNetが選択したキーポイントが、テストされた7つのデータセットのすべての評価指標の精度を改善した。
  論文  参考訳（メタデータ） (2023-08-15T15:11:13Z)
• TSG: Target-Selective Gradient Backprop for Probing CNN Visual Saliency [72.9106103283475]
  我々は、畳み込みニューラルネットワークを解釈するために視覚的サリエンシ、すなわち視覚的説明について研究する。 これらの観測に触発されて、我々はTSG(Target-Selective Gradient)バックプロップと呼ばれる新しいビジュアル・サリエンシ・フレームワークを提案する。 提案したTSGはTSG-ConvとTSG-FCの2つのコンポーネントから構成され、それぞれ畳み込み層と完全連結層の勾配を補正する。
  論文  参考訳（メタデータ） (2021-10-11T12:00:20Z)
• Double-Dot Network for Antipodal Grasp Detection [20.21384585441404]
  本稿では,Double-Dot Network (DD-Net) という,対足足歩行検出のための新しい深層学習手法を提案する。 これは、経験的にプリセットされたアンカーに依存しない最近のアンカーフリーなオブジェクト検出フレームワークに従っている。 このような指先をローカライズするために効果的なCNNアーキテクチャを導入し、改良のための補助センターの助けを借りて、把握候補を正確かつ堅牢に推測する。
  論文  参考訳（メタデータ） (2021-08-03T14:21:17Z)
• Rethinking Counting and Localization in Crowds:A Purely Point-Based Framework [59.578339075658995]
  そこで本稿では,共同クラウドカウントと個別ローカライゼーションのための純粋にポイントベースのフレームワークを提案する。 我々は、P2PNet(Point to Point Network)と呼ばれる、このフレームワークの下で直感的なソリューションを設計する。
  論文  参考訳（メタデータ） (2021-07-27T11:41:50Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• GDN: A Coarse-To-Fine (C2F) Representation for End-To-End 6-DoF Grasp Detection [23.480036081293242]
  本稿では,GDN(Grasp Detection Network)を提案する。 これまでの2段階のアプローチと比較して、アーキテクチャは少なくとも20倍高速です。 本稿では,回転と遷移の誤差を考慮した新しいAPベースの計量法を提案する。
  論文  参考訳（メタデータ） (2020-10-21T01:01:50Z)
• Learning a Unified Sample Weighting Network for Object Detection [113.98404690619982]
  地域サンプリングや重み付けは、現代の地域ベースの物体検出器の成功に極めて重要である。 サンプル重み付けはデータ依存でタスク依存であるべきだと我々は主張する。 サンプルのタスク重みを予測するための統一的なサンプル重み付けネットワークを提案する。
  論文  参考訳（メタデータ） (2020-06-11T16:19:16Z)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)

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。