論文の概要: SurfEmb: Dense and Continuous Correspondence Distributions for Object
Pose Estimation with Learnt Surface Embeddings
- arxiv url: http://arxiv.org/abs/2111.13489v1
- Date: Fri, 26 Nov 2021 13:39:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-29 15:36:49.260595
- Title: SurfEmb: Dense and Continuous Correspondence Distributions for Object
Pose Estimation with Learnt Surface Embeddings
- Title（参考訳）: SurfEmb:学習面埋め込みによるオブジェクトポス推定のための密度・連続対応分布
- Authors: Rasmus Laurvig Haugaard, Anders Glent Buch
- Abstract要約: データから物体表面上の密度の連続した2D-3D対応分布を学習する手法を提案する。
また,学習した分布を用いた剛体物体の6次元ポーズ推定手法を提案する。
- 参考スコア（独自算出の注目度）: 2.534402217750793
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present an approach to learn dense, continuous 2D-3D correspondence
distributions over the surface of objects from data with no prior knowledge of
visual ambiguities like symmetry. We also present a new method for 6D pose
estimation of rigid objects using the learnt distributions to sample, score and
refine pose hypotheses. The correspondence distributions are learnt with a
contrastive loss, represented in object-specific latent spaces by an
encoder-decoder query model and a small fully connected key model. Our method
is unsupervised with respect to visual ambiguities, yet we show that the query-
and key models learn to represent accurate multi-modal surface distributions.
Our pose estimation method improves the state-of-the-art significantly on the
comprehensive BOP Challenge, trained purely on synthetic data, even compared
with methods trained on real data. The project site is at
https://surfemb.github.io/ .
- Abstract（参考訳）: 本稿では,物体表面上の密度の高い連続的な2d-3d対応分布を,対称性などの視覚曖昧性に関する事前知識のないデータから学習する手法を提案する。
また,学習した分布を用いた剛体物体の6次元ポーズ推定手法を提案する。
対応分布は、エンコーダ-デコーダクエリモデルと小さな完全連結鍵モデルによってオブジェクト固有の潜在空間で表現される、対照的な損失で学習される。
視覚的なあいまいさについては教師なしだが,クエリとキーモデルによって正確なマルチモーダル表面分布を表現できることを示す。
提案手法は, 実データを用いた手法と比較して, 純粋に合成データに基づいて訓練された総合的BOPチャレンジにおいて, 最先端の手法を著しく改善する。
プロジェクトサイトはhttps://surfemb.github.io/にある。
関連論文リスト
- Alignist: CAD-Informed Orientation Distribution Estimation by Fusing Shape and Correspondences [27.788874594451283]
CADモデルを用いて得られた対応分布と形状情報の対称性を利用したポーズ分布推定手法を提案する。
我々の手法はより高速に収束し、全ての有効なモードの近くでよりシャープな分布を学習することに集中することで分布をよりよく学習する。
論文 参考訳（メタデータ） (2024-09-10T17:51:03Z) - Enhancing Generalizability of Representation Learning for Data-Efficient 3D Scene Understanding [50.448520056844885]
本研究では,実世界のパターンを持つ多様な合成シーンを生成可能なベイズネットワークを提案する。
一連の実験は、既存の最先端の事前学習手法に比べて、我々の手法が一貫した優位性を示す。
論文 参考訳（メタデータ） (2024-06-17T07:43:53Z) - IPoD: Implicit Field Learning with Point Diffusion for Generalizable 3D Object Reconstruction from Single RGB-D Images [50.4538089115248]
シングルビューRGB-D画像からの3Dオブジェクトの汎用化は依然として難しい課題である。
本稿では,暗黙の場学習と点拡散を調和させる新しい手法IPoDを提案する。
CO3D-v2データセットによる実験では、IPoDの優位性が確認され、Fスコアは7.8%、チャンファー距離は28.6%向上した。
論文 参考訳（メタデータ） (2024-03-30T07:17:37Z) - DVMNet: Computing Relative Pose for Unseen Objects Beyond Hypotheses [59.51874686414509]
現在のアプローチは、多数の離散的なポーズ仮説を持つ連続的なポーズ表現を近似している。
本稿では,DVMNet(Deep Voxel Matching Network)を提案する。
提案手法は,最先端の手法に比べて計算コストの低い新しいオブジェクトに対して,より正確なポーズ推定を行う。
論文 参考訳（メタデータ） (2024-03-20T15:41:32Z) - PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。
我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。
提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
論文 参考訳（メタデータ） (2021-09-28T17:56:41Z) - Graph Embedding with Data Uncertainty [113.39838145450007]
スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。
ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
論文 参考訳（メタデータ） (2020-09-01T15:08:23Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳（メタデータ） (2020-07-07T18:25:25Z)
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。