論文の概要: ParaPose: Parameter and Domain Randomization Optimization for Pose Estimation using Synthetic Data

• arxiv url: http://arxiv.org/abs/2203.00945v1
• Date: Wed, 2 Mar 2022 08:52:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-04 02:22:13.710538
• Title: ParaPose: Parameter and Domain Randomization Optimization for Pose Estimation using Synthetic Data
• Title（参考訳）: parapose: 合成データを用いたポーズ推定のためのパラメータとドメインのランダム化最適化
• Authors: Frederik Hagelskjaer and Anders Glent Buch
• Abstract要約: 本稿では,合成データのみを用いた自動構成法を提案する。 ネットワークトレーニング中にドメインのランダム化を学習し、次にドメインのランダム化を使用してポーズ推定パラメータを最適化する。 開発した手法は,挑戦的なOCCLUSIONデータセット上で82.0%のリコールの最先端性能を示す。
• 参考スコア（独自算出の注目度）: 1.4290119665435117
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pose estimation is the task of determining the 6D position of an object in a scene. Pose estimation aid the abilities and flexibility of robotic set-ups. However, the system must be configured towards the use case to perform adequately. This configuration is time-consuming and limits the usability of pose estimation and, thereby, robotic systems. Deep learning is a method to overcome this configuration procedure by learning parameters directly from the dataset. However, obtaining this training data can also be very time-consuming. The use of synthetic training data avoids this data collection problem, but a configuration of the training procedure is necessary to overcome the domain gap problem. Additionally, the pose estimation parameters also need to be configured. This configuration is jokingly known as grad student descent as parameters are manually adjusted until satisfactory results are obtained. This paper presents a method for automatic configuration using only synthetic data. This is accomplished by learning the domain randomization during network training, and then using the domain randomization to optimize the pose estimation parameters. The developed approach shows state-of-the-art performance of 82.0 % recall on the challenging OCCLUSION dataset, outperforming all previous methods with a large margin. These results prove the validity of automatic set-up of pose estimation using purely synthetic data.
• Abstract（参考訳）: ポーズ推定は、シーン内の物体の6次元位置を決定するタスクである。 ポーズ推定はロボットのセットアップの能力と柔軟性を支援する。 しかし、適切に実行するには、システムはユースケースに向けて設定されなければならない。 この構成は時間を要するため、ポーズ推定やロボットシステムの使用性が制限される。 ディープラーニングは、データセットから直接パラメータを学習することで、この構成手順を克服する手法である。 しかし、このトレーニングデータを取得するのも非常に時間がかかる。 合成トレーニングデータの使用は、このデータ収集の問題を回避するが、ドメインギャップ問題を克服するためには、トレーニング手順の設定が必要である。 さらに、ポーズ推定パラメータも設定する必要がある。 この構成は、十分な結果が得られるまでパラメータが手動で調整されるので、冗談でgrad student descendとして知られている。 本稿では,合成データのみを用いた自動構成法を提案する。 これはネットワークトレーニング中にドメインのランダム化を学習し、ドメインのランダム化を使ってポーズ推定パラメータを最適化することで達成される。 開発されたアプローチでは、挑戦的なOCCLUSIONデータセットを82.0%リコールする最先端のパフォーマンスを示し、これまでのすべてのメソッドを大きなマージンで上回っている。 これらの結果は純粋合成データを用いたポーズ推定の自動設定の有効性を示す。

関連論文リスト

• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Good Grasps Only: A data engine for self-supervised fine-tuning of pose estimation using grasp poses for verification [0.0]
  ビンピッキングのためのポーズ推定の自己教師型微調整法を提案する。 本手法により,手動ラベリングを使わずにトレーニングデータを自動的に取得できる。 私たちのパイプラインは、プロセス実行中にシステムを微調整し、学習フェーズの必要性を排除します。
  論文  参考訳（メタデータ） (2024-09-17T19:26:21Z)
• Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
  提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。 大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T14:30:06Z)
• Data-driven Reachability using Christoffel Functions and Conformal Prediction [0.0]
  力学系の解析において重要な道具はリーチ集合、すなわち与えられた初期状態から与えられた時間後に到達可能な状態の集合の近似である。 データベースのアプローチは、状態のサンプルに基づいてリーチセットを推定することで、困難を避けることを約束する。 データベースのリーチ集合近似に対する最近提案されたアプローチは、リーチ集合を近似するためにChristoffel関数を使用する。
  論文  参考訳（メタデータ） (2023-09-16T12:21:57Z)
• Pre-training helps Bayesian optimization too [49.28382118032923]
  機能的事前設定のための代替的なプラクティスを模索する。 特に、より厳密な分布を事前訓練できるような、類似した関数のデータを持つシナリオを考察する。 提案手法は, 競合する手法の少なくとも3倍の効率で, 優れたハイパーパラメータを見つけることができることを示す。
  論文  参考訳（メタデータ） (2022-07-07T04:42:54Z)
• Sim-to-Real 6D Object Pose Estimation via Iterative Self-training for Robotic Bin-picking [98.5984733963713]
  コスト効率の良いロボットグルーピングを容易にするために,シミュレート・トゥ・リアルな6次元オブジェクトのポーズ推定のための反復的自己学習フレームワークを提案する。 我々は、豊富な仮想データを合成するためのフォトリアリスティックシミュレータを構築し、これを初期ポーズ推定ネットワークのトレーニングに利用する。 このネットワークは教師モデルの役割を担い、未ラベルの実データに対するポーズ予測を生成する。
  論文  参考訳（メタデータ） (2022-04-14T15:54:01Z)
• Bridging the Reality Gap for Pose Estimation Networks using Sensor-Based Domain Randomization [1.4290119665435117]
  合成データに基づいて訓練された手法は、2Dの領域ランダム化をより発展させるため、2D画像を使用する。 提案手法では,3次元データをネットワークに統合し,ポーズ推定の精度を高める。 3つの大規模ポーズ推定ベンチマーク実験により, 提案手法は, 合成データを用いた従来手法よりも優れていたことがわかった。
  論文  参考訳（メタデータ） (2020-11-17T09:12:11Z)
• AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
  目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。 提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
  論文  参考訳（メタデータ） (2020-08-16T11:36:11Z)
• se(3)-TrackNet: Data-driven 6D Pose Tracking by Calibrating Image Residuals in Synthetic Domains [12.71983073907091]
  本研究では,長期6次元ポーズトラッキングのためのデータ駆動型最適化手法を提案する。 本研究の目的は、現在のRGB-D観測と、前回の推定値と対象物のモデルに基づいて条件付けされた合成画像から、最適な相対的なポーズを特定することである。 提案手法は, 実画像を用いて訓練した場合でも, 常に頑健な評価を達成し, 代替品よりも優れる。
  論文  参考訳（メタデータ） (2020-07-27T21:09:36Z)
• Tracking Performance of Online Stochastic Learners [57.14673504239551]
  オンラインアルゴリズムは、大規模なバッチにデータを保存したり処理したりすることなく、リアルタイムで更新を計算できるため、大規模な学習環境で人気がある。 一定のステップサイズを使用すると、これらのアルゴリズムはデータやモデル特性などの問題パラメータのドリフトに適応し、適切な精度で最適解を追跡する能力を持つ。 定常仮定に基づく定常状態性能とランダムウォークモデルによるオンライン学習者の追跡性能の関連性を確立する。
  論文  参考訳（メタデータ） (2020-04-04T14:16:27Z)

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。