論文の概要: Learning-based Point Cloud Registration for 6D Object Pose Estimation in
the Real World
- arxiv url: http://arxiv.org/abs/2203.15309v1
- Date: Tue, 29 Mar 2022 07:55:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-30 15:12:44.135777
- Title: Learning-based Point Cloud Registration for 6D Object Pose Estimation in
the Real World
- Title（参考訳）: 実世界における6次元オブジェクトポス推定のための学習ベースポイントクラウド登録
- Authors: Zheng Dang, Lizhou Wang, Yu Guo, Mathieu Salzmann
- Abstract要約: 我々は、ポイントクラウドデータからオブジェクトの6Dポーズを推定するタスクに取り組む。
この課題に対処する最近の学習ベースのアプローチは、合成データセットにおいて大きな成功を収めている。
これらの障害の原因を分析し、ソースとターゲットポイントの雲の特徴分布の違いに遡る。
- 参考スコア（独自算出の注目度）: 55.7340077183072
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In this work, we tackle the task of estimating the 6D pose of an object from
point cloud data. While recent learning-based approaches to addressing this
task have shown great success on synthetic datasets, we have observed them to
fail in the presence of real-world data. We thus analyze the causes of these
failures, which we trace back to the difference between the feature
distributions of the source and target point clouds, and the sensitivity of the
widely-used SVD-based loss function to the range of rotation between the two
point clouds. We address the first challenge by introducing a new normalization
strategy, Match Normalization, and the second via the use of a loss function
based on the negative log likelihood of point correspondences. Our two
contributions are general and can be applied to many existing learning-based 3D
object registration frameworks, which we illustrate by implementing them in two
of them, DCP and IDAM. Our experiments on the real-scene TUD-L, LINEMOD and
Occluded-LINEMOD datasets evidence the benefits of our strategies. They allow
for the first time learning-based 3D object registration methods to achieve
meaningful results on real-world data. We therefore expect them to be key to
the future development of point cloud registration methods.
- Abstract（参考訳）: 本研究では,ポイントクラウドデータからオブジェクトの6次元ポーズを推定する作業に取り組む。
この課題に対処する最近の学習ベースのアプローチは、合成データセットにおいて大きな成功を収めてきたが、実世界のデータの存在下では失敗している。
そこで我々は,これらの故障の原因を,音源と目標点雲の特徴分布の違いと,広く使用されているSVDに基づく損失関数の2点雲間の回転範囲に対する感度に遡る分析を行った。
第1の課題は,新しい正規化戦略を導入し,正規化を一致させ,第2の課題を点対応の負の対数確率に基づく損失関数を用いて解決する。
我々の2つのコントリビューションは一般的なものであり、既存の学習ベースの3Dオブジェクト登録フレームワークにも適用可能です。
リアルタイムTUD-L, LINEMOD, Occluded-LINEMODデータセットを用いた実験により, 戦略のメリットが示された。
学習ベースで3Dオブジェクトを登録し、実世界のデータに意味のある結果を与える。
それゆえ、ポイントクラウド登録方法の将来の開発に鍵を握ることを期待しています。
関連論文リスト
- FILP-3D: Enhancing 3D Few-shot Class-incremental Learning with Pre-trained Vision-Language Models [59.13757801286343]
クラス増分学習(class-incremental learning)は、モデルが限られたデータで漸進的にトレーニングされている場合、破滅的な忘れの問題を軽減することを目的としている。
本稿では,特徴空間の不整合のための冗長特徴除去器 (RFE) と,重要な雑音に対する空間ノイズ補償器 (SNC) の2つの新しいコンポーネントを備えたFILP-3Dフレームワークを紹介する。
論文 参考訳（メタデータ） (2023-12-28T14:52:07Z) - Cross-Modal Information-Guided Network using Contrastive Learning for
Point Cloud Registration [17.420425069785946]
本稿では,ポイントクラウド登録のための新しいCross-Modal Information-Guided Network(CMIGNet)を提案する。
まず,点雲から投影された画像を取り込んで,アテンション機構を用いてモーダルな特徴を融合する。
コントラスト学習戦略は2つあり、すなわち、コントラスト学習とクロスモーダルコントラスト学習が重なり合う。
論文 参考訳（メタデータ） (2023-11-02T12:56:47Z) - CLR-GAM: Contrastive Point Cloud Learning with Guided Augmentation and
Feature Mapping [12.679625717350113]
本稿では、効率的な動的探索戦略のためのガイド拡張(GA)を備えた対照的な学習ベースのフレームワークであるCLR-GAMを提案する。
提案手法がシミュレーションおよび実世界の3Dポイントクラウドデータセット上で最先端のパフォーマンスを実現することを実証的に実証した。
論文 参考訳（メタデータ） (2023-02-28T04:38:52Z) - Self-Ensemling for 3D Point Cloud Domain Adaption [29.330315360307374]
本稿では,3次元クラウド領域適応タスクのためのエンドツーエンドの自己組織化ネットワーク(SEN)を提案する。
我々のSENは、平均教師と半教師付き学習の利点を生かし、ソフトな分類損失と一貫性損失を導入している。
我々のSENは、分類タスクとセグメンテーションタスクの両方において最先端の手法より優れています。
論文 参考訳（メタデータ） (2021-12-10T02:18:09Z) - What Stops Learning-based 3D Registration from Working in the Real
World? [53.68326201131434]
この研究は、3Dポイントのクラウド登録失敗の原因を特定し、その原因を分析し、解決策を提案する。
最終的に、これは最も実践的な3D登録ネットワーク(BPNet)に変換される。
我々のモデルは微調整をせずに実データに一般化し、商用センサで得られた見えない物体の点雲上で最大67%の精度に達する。
論文 参考訳（メタデータ） (2021-11-19T19:24:27Z) - Point Discriminative Learning for Unsupervised Representation Learning
on 3D Point Clouds [54.31515001741987]
3次元点雲上での教師なし表現学習のための点識別学習法を提案する。
我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。
提案手法は強力な表現を学習し,新しい最先端性能を実現する。
論文 参考訳（メタデータ） (2021-08-04T15:11:48Z) - 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) - 3D Registration for Self-Occluded Objects in Context [66.41922513553367]
このシナリオを効果的に処理できる最初のディープラーニングフレームワークを紹介します。
提案手法はインスタンスセグメンテーションモジュールとポーズ推定モジュールから構成される。
これにより、高価な反復手順を必要とせず、ワンショットで3D登録を行うことができます。
論文 参考訳（メタデータ） (2020-11-23T08:05:28Z)
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。