論文の概要: AirObject: A Temporally Evolving Graph Embedding for Object Identification

• arxiv url: http://arxiv.org/abs/2111.15150v1
• Date: Tue, 30 Nov 2021 06:17:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-02 02:56:22.919592
• Title: AirObject: A Temporally Evolving Graph Embedding for Object Identification
• Title（参考訳）: AirObject: オブジェクト識別のための一時的に進化するグラフ埋め込み
• Authors: Nikhil Varma Keetha, Chen Wang, Yuheng Qiu, Kuan Xu and Sebastian Scherer
• Abstract要約: 本研究では,オブジェクトのグローバルなキーポイントグラフに基づく埋め込みを実現するために,AirObjectと呼ばれる新しい時間的3次元オブジェクト符号化手法を提案する。 本研究では,AirObjectが映像オブジェクト識別の最先端性能を実現することを実証する。
• 参考スコア（独自算出の注目度）: 7.266006567606757
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Object encoding and identification are vital for robotic tasks such as autonomous exploration, semantic scene understanding, and re-localization. Previous approaches have attempted to either track objects or generate descriptors for object identification. However, such systems are limited to a "fixed" partial object representation from a single viewpoint. In a robot exploration setup, there is a requirement for a temporally "evolving" global object representation built as the robot observes the object from multiple viewpoints. Furthermore, given the vast distribution of unknown novel objects in the real world, the object identification process must be class-agnostic. In this context, we propose a novel temporal 3D object encoding approach, dubbed AirObject, to obtain global keypoint graph-based embeddings of objects. Specifically, the global 3D object embeddings are generated using a temporal convolutional network across structural information of multiple frames obtained from a graph attention-based encoding method. We demonstrate that AirObject achieves the state-of-the-art performance for video object identification and is robust to severe occlusion, perceptual aliasing, viewpoint shift, deformation, and scale transform, outperforming the state-of-the-art single-frame and sequential descriptors. To the best of our knowledge, AirObject is one of the first temporal object encoding methods.
• Abstract（参考訳）: オブジェクトのエンコーディングと識別は、自律探索、意味的シーン理解、再ローカライズなどのロボットタスクに不可欠である。 これまでのアプローチでは、オブジェクトの追跡や、オブジェクト識別のための記述子の生成が試みられていた。 しかし、そのようなシステムは単一の視点から「固定された」部分オブジェクト表現に限定される。 ロボット探索装置では、ロボットが複数の視点から対象を観察するときに、時間的に「進化する」グローバルオブジェクト表現が要求される。 さらに、現実世界における未知の新規オブジェクトの膨大な分布を考えると、オブジェクト識別プロセスはクラス非依存でなければならない。 本研究では,オブジェクトのグローバルなキーポイントグラフによる埋め込みを実現するために,AirObjectと呼ばれる新しい時間的3Dオブジェクト符号化手法を提案する。 具体的には、グラフ注意に基づく符号化法から得られた複数のフレームの構造情報にまたがる時間畳み込みネットワークを用いて、グローバル3dオブジェクト埋め込みを生成する。 我々はairobjectが映像オブジェクト識別の最先端性能を達成し,重度の咬合,知覚的エイリアス,視点シフト,変形,スケール変換に頑健であり,最先端のシングルフレームとシーケンシャルディスクリプタよりも優れていることを示す。 私たちの知る限りでは、AirObjectは最初の一時的なオブジェクトエンコーディング手法の1つです。

関連論文リスト

• Towards Flexible 3D Perception: Object-Centric Occupancy Completion Augments 3D Object Detection [54.78470057491049]
  占領は3Dシーンの知覚に有望な代替手段として現れてきた。 オブジェクトbboxのサプリメントとして,オブジェクト中心の占有率を導入する。 これらの特徴は,最先端の3Dオブジェクト検出器の検出結果を著しく向上させることを示した。
  論文  参考訳（メタデータ） (2024-12-06T16:12:38Z)
• Chat-Scene: Bridging 3D Scene and Large Language Models with Object Identifiers [65.51132104404051]
  オブジェクトレベルのシーンと対話するために、オブジェクト識別子とオブジェクト中心表現を導入する。 我々のモデルは、ScanRefer、Multi3DRefer、Scan2Cap、ScanQA、SQA3Dなど、既存のベンチマーク手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-12-13T14:27:45Z)
• Rethinking Amodal Video Segmentation from Learning Supervised Signals with Object-centric Representation [47.39455910191075]
  ビデオ・アモーダル・セグメンテーションはコンピュータビジョンにおいて難しい課題である。 近年の研究では、モーションフローを用いて、自己監督された環境下でのフレーム間の情報統合によって、有望な性能を実現している。 本稿では,従来の研究を再考し,特にオブジェクト中心表現を用いた教師付き信号の活用について述べる。
  論文  参考訳（メタデータ） (2023-09-23T04:12:02Z)
• Object-Centric Multiple Object Tracking [124.30650395969126]
  本稿では,多目的追跡パイプラインのためのビデオオブジェクト中心モデルを提案する。 オブジェクト中心のスロットを検出出力に適応するインデックスマージモジュールと、オブジェクトメモリモジュールで構成される。 オブジェクト中心学習に特化して、オブジェクトのローカライゼーションと機能バインディングのためのスパース検出ラベルしか必要としない。
  論文  参考訳（メタデータ） (2023-09-01T03:34:12Z)
• 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)
• PatchContrast: Self-Supervised Pre-training for 3D Object Detection [14.603858163158625]
  PatchContrastは、3Dオブジェクト検出のための新しい自己教師付きポイントクラウド事前学習フレームワークである。 提案手法は,3つの一般的な3次元検出データセットにおいて,既存の最先端モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-14T07:45:54Z)
• OGC: Unsupervised 3D Object Segmentation from Rigid Dynamics of Point Clouds [4.709764624933227]
  OGCと呼ばれる最初の教師なしの手法を提案し、同時に複数の3Dオブジェクトを1つの前方通過で識別する。 提案手法を5つのデータセット上で広範囲に評価し,オブジェクト部分のインスタンスセグメンテーションにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2022-10-10T07:01:08Z)
• Complex-Valued Autoencoders for Object Discovery [62.26260974933819]
  本稿では,オブジェクト中心表現に対する分散アプローチとして,複合オートエンコーダを提案する。 このシンプルで効率的なアプローチは、単純なマルチオブジェクトデータセット上の等価な実数値オートエンコーダよりも、より良い再構成性能を実現することを示す。 また、2つのデータセット上のSlotAttentionモデルと競合しないオブジェクト発見性能を実現し、SlotAttentionが失敗する第3のデータセットでオブジェクトをアンタングルする。
  論文  参考訳（メタデータ） (2022-04-05T09:25:28Z)
• Neural Descriptor Fields: SE(3)-Equivariant Object Representations for Manipulation [75.83319382105894]
  対象と対象の相対的なポーズを符号化するオブジェクト表現であるニューラル・ディスクリプタ・フィールド(NDF)を提案する。 NDFは、専門家ラベル付きキーポイントに依存しない3D自動エンコーディングタスクを通じて、自己教師型で訓練される。 我々のパフォーマンスは、オブジェクトインスタンスと6-DoFオブジェクトの両方のポーズを一般化し、2Dディスクリプタに依存する最近のベースラインを著しく上回ります。
  論文  参考訳（メタデータ） (2021-12-09T18:57:15Z)

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。