論文の概要: SO-SLAM: Semantic Object SLAM with Scale Proportional and Symmetrical
Texture Constraints
- arxiv url: http://arxiv.org/abs/2109.04884v1
- Date: Fri, 10 Sep 2021 13:55:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-13 13:22:42.362492
- Title: SO-SLAM: Semantic Object SLAM with Scale Proportional and Symmetrical
Texture Constraints
- Title(参考訳): SO-SLAM:スケール比および対称テクスチャ制約付き意味オブジェクトSLAM
- Authors: Ziwei Liao, Yutong Hu, Jiadong Zhang, Xianyu Qi, Xiaoyu Zhang, Wei
Wang
- Abstract要約: 本稿では,オブジェクト空間制約の導入に対処する新しいモノクラーセマンティックオブジェクトSLAM(SO-SLAM)を提案する。
我々は,公開データセットと著者が記録した移動ロボットデータセット上で,アルゴリズムの性能を検証した。
- 参考スコア(独自算出の注目度): 9.694083816665525
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Object SLAM introduces the concept of objects into Simultaneous Localization
and Mapping (SLAM) and helps understand indoor scenes for mobile robots and
object-level interactive applications. The state-of-art object SLAM systems
face challenges such as partial observations, occlusions, unobservable
problems, limiting the mapping accuracy and robustness. This paper proposes a
novel monocular Semantic Object SLAM (SO-SLAM) system that addresses the
introduction of object spatial constraints. We explore three representative
spatial constraints, including scale proportional constraint, symmetrical
texture constraint and plane supporting constraint. Based on these semantic
constraints, we propose two new methods - a more robust object initialization
method and an orientation fine optimization method. We have verified the
performance of the algorithm on the public datasets and an author-recorded
mobile robot dataset and achieved a significant improvement on mapping effects.
We will release the code here: https://github.com/XunshanMan/SoSLAM.
- Abstract(参考訳): Object SLAMは、オブジェクトの概念をSLAM(Sultaneous Localization and Mapping)に導入し、移動ロボットやオブジェクトレベルのインタラクティブアプリケーションのための屋内シーンの理解を支援する。
最先端のオブジェクトSLAMシステムは、部分的な観察、閉塞、観測不能な問題、マッピング精度の制限、堅牢性といった課題に直面している。
本稿では,オブジェクト空間制約の導入に対応する新しい単項意味オブジェクトslam(so-slam)システムを提案する。
本稿では,3つの空間的制約,例えばスケール比例制約,対称テクスチャ制約,平面支持制約について検討する。
これらの制約に基づき、より堅牢なオブジェクト初期化法とオブジェクト指向最適化法という2つの新しい手法を提案する。
我々は,公開データセットと著者が記録した移動ロボットデータセット上でのアルゴリズムの性能を検証し,マッピング効果を大幅に改善した。
コードは以下でリリースする。 https://github.com/xunshanman/soslam。
関連論文リスト
- VOOM: Robust Visual Object Odometry and Mapping using Hierarchical
Landmarks [19.789761641342043]
本稿では,ビジュアルオブジェクトのオドメトリとマッピングフレームワーク VOOM を提案する。
粗い方法で階層的なランドマークとして、高レベルのオブジェクトと低レベルのポイントを使用します。
VOOMはオブジェクト指向SLAMと特徴点SLAMシステムの両方をローカライゼーションで上回る。
論文 参考訳(メタデータ) (2024-02-21T08:22:46Z) - Leveraging Positional Encoding for Robust Multi-Reference-Based Object
6D Pose Estimation [21.900422840817726]
物体の姿勢を正確に推定することは、コンピュータビジョンとロボット工学において重要な課題である。
本稿では,これらの制約を分析し,克服するための新しい戦略を提案する。
Linemod、Linemod-Occlusion、およびYCB-Videoデータセットに関する我々の実験は、我々のアプローチが既存の手法より優れていることを示している。
論文 参考訳(メタデータ) (2024-01-29T16:42:15Z) - UniQuadric: A SLAM Backend for Unknown Rigid Object 3D Tracking and
Light-Weight Modeling [7.626461564400769]
本稿では,エゴモーショントラッキング,剛体オブジェクトモーショントラッキング,モデリングを統一するSLAMバックエンドを提案する。
本システムは,複雑な動的シーンにおける物体知覚の潜在的な応用を実証する。
論文 参考訳(メタデータ) (2023-09-29T07:50:09Z) - ROAM: Robust and Object-Aware Motion Generation Using Neural Pose
Descriptors [73.26004792375556]
本稿では,3次元オブジェクト認識キャラクタ合成における新しいシーンオブジェクトへのロバストさと一般化が,参照オブジェクトを1つも持たないモーションモデルをトレーニングすることで実現可能であることを示す。
我々は、オブジェクト専用のデータセットに基づいて訓練された暗黙的な特徴表現を活用し、オブジェクトの周りのSE(3)-同変記述体フィールドをエンコードする。
本研究では,3次元仮想キャラクタの動作と相互作用の質,および未知のオブジェクトを持つシナリオに対するロバスト性を大幅に向上することを示す。
論文 参考訳(メタデータ) (2023-08-24T17:59:51Z) - Contrastive Lift: 3D Object Instance Segmentation by Slow-Fast
Contrastive Fusion [110.84357383258818]
本稿では,2次元セグメントを3次元に上げ,ニューラルネットワーク表現を用いて融合させる新しい手法を提案する。
このアプローチの中核は、高速なクラスタリング目的関数であり、多数のオブジェクトを持つシーンにスケーラブルで適しています。
我々のアプローチは、ScanNet、Hypersim、Replicaのデータセットからの挑戦的なシーンにおいて、最先端の状況よりも優れています。
論文 参考訳(メタデータ) (2023-06-07T17:57:45Z) - An Object SLAM Framework for Association, Mapping, and High-Level Tasks [12.62957558651032]
本稿では,オブジェクト指向認識とオブジェクト指向ロボットタスクに焦点を当てた包括的オブジェクトSLAMフレームワークを提案する。
提案したオブジェクトSLAMフレームワークを効率よく評価するために,さまざまな公開データセットと実世界の結果が使用されている。
論文 参考訳(メタデータ) (2023-05-12T08:10:14Z) - NeuSE: Neural SE(3)-Equivariant Embedding for Consistent Spatial
Understanding with Objects [53.111397800478294]
本稿では,ニューラルSE(3)-等価なオブジェクトの埋め込みであるNeuSEを紹介する。
NeuSE は完全なオブジェクトモデルのためのコンパクトな点クラウドサロゲートとして機能する。
提案するSLAMパラダイムは,物体形状やポーズ特性にNeuSEを用いて,通常のSLAMシステムと独立に,あるいは連携して動作することができる。
論文 参考訳(メタデータ) (2023-03-13T17:30:43Z) - Secrets of 3D Implicit Object Shape Reconstruction in the Wild [92.5554695397653]
コンピュータビジョン、ロボティクス、グラフィックスの様々な用途において、高精細な3Dオブジェクトをスパースから再構築することは重要です。
最近の神経暗黙的モデリング法は、合成データセットまたは高密度データセットで有望な結果を示す。
しかし、粗末でノイズの多い実世界のデータではパフォーマンスが悪い。
本論文では, 一般的な神経暗黙モデルの性能低下の根本原因を解析する。
論文 参考訳(メタデータ) (2021-01-18T03:24:48Z) - Improving Semantic Segmentation via Decoupled Body and Edge Supervision [89.57847958016981]
既存のセグメンテーションアプローチは、グローバルコンテキストをモデル化することでオブジェクトの内部の一貫性を改善すること、あるいはマルチスケールの特徴融合によって境界に沿ったオブジェクトの詳細を洗練することを目的としている。
本稿では,セマンティックセグメンテーションのための新しいパラダイムを提案する。
我々の洞察は、セマンティックセグメンテーションの魅力ある性能には、画像の高頻度と低頻度に対応するオブジェクトのテキストボディとテキストエッジを具体的にモデル化する必要があるということである。
さまざまなベースラインやバックボーンネットワークを備えた提案したフレームワークが,オブジェクト内部の一貫性とオブジェクト境界を向上させることを示す。
論文 参考訳(メタデータ) (2020-07-20T12:11:22Z) - Object-Centric Image Generation from Layouts [93.10217725729468]
複数のオブジェクトを持つ複雑なシーンを生成するレイアウト・ツー・イメージ生成法を開発した。
本手法は,シーン内のオブジェクト間の空間的関係の表現を学習し,レイアウトの忠実度の向上につながる。
本稿では,Fr'echet Inception Distanceのオブジェクト中心適応であるSceneFIDを紹介する。
論文 参考訳(メタデータ) (2020-03-16T21:40:09Z)
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。