論文の概要: Category-Agnostic 6D Pose Estimation with Conditional Neural Processes

• arxiv url: http://arxiv.org/abs/2206.07162v1
• Date: Tue, 14 Jun 2022 20:46:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-16 12:52:40.839978
• Title: Category-Agnostic 6D Pose Estimation with Conditional Neural Processes
• Title（参考訳）: 条件付きニューラルプロセスを用いたカテゴリー非依存6次元ポーズ推定
• Authors: Yumeng Li, Ning Gao, Hanna Ziesche, Gerhard Neumann
• Abstract要約: 未知物体の6次元ポーズ推定のためのメタラーニング手法を提案する。 我々は、条件付きニューラルプロセスに基づくメタラーニングアプローチを用いて、エンコーダを訓練し、潜在表現におけるオブジェクトのテクスチャと幾何学をキャプチャする。 次に、遅延表現をメタトレーニングされたデコーダで同時に使用して、新しい画像におけるオブジェクトの6Dポーズを予測する。
• 参考スコア（独自算出の注目度）: 15.885046879308192
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present a novel meta-learning approach for 6D pose estimation on unknown objects. In contrast to "instance-level" pose estimation methods, our algorithm learns object representation in a category-agnostic way, which endows it with strong generalization capabilities within and across object categories. Specifically, we employ a conditional neural process-based meta-learning approach to train an encoder to capture texture and geometry of an object in a latent representation, based on very few RGB-D images and ground-truth keypoints. The latent representation is then used by a simultaneously meta-trained decoder to predict the 6D pose of the object in new images. To evaluate our algorithm, experiments are conducted on our new fully-annotated synthetic datasets generated from Multiple Categories in Multiple Scenes (MCMS). Experimental results demonstrate that our model performs well on unseen objects with various shapes and appearances.
• Abstract（参考訳）: 未知物体の6次元ポーズ推定のためのメタラーニング手法を提案する。 インスタンスレベルのポーズ推定手法とは対照的に,我々のアルゴリズムはカテゴリに依存しない方法でオブジェクト表現を学習し,オブジェクトカテゴリ内およびオブジェクトカテゴリ間の強力な一般化能力を持つ。 具体的には,条件付きニューラルネットワークを用いたメタラーニング手法を用いて,非常に少ないrgb-d画像と接地キーポイントに基づいて,物体のテクスチャや形状を潜在表現でキャプチャするエンコーダを訓練する。 遅延表現は同時にメタトレーニングされたデコーダによって使われ、新しい画像におけるオブジェクトの6Dポーズを予測する。 提案アルゴリズムを評価するため,MCMS(Multiple Categories in Multiple Scenes)から生成された完全注釈付き合成データセットについて実験を行った。 実験の結果, 形状や外観の異なる未発見物体に対して, モデルが良好に機能することが示された。

関連論文リスト

• FoundationPose: Unified 6D Pose Estimation and Tracking of Novel Objects [55.77542145604758]
  FoundationPoseは、6Dオブジェクトのポーズ推定と追跡のための統合基盤モデルである。 我々のアプローチは、微調整なしで、テスト時に新しいオブジェクトに即座に適用できる。
  論文  参考訳（メタデータ） (2023-12-13T18:28:09Z)
• MegaPose: 6D Pose Estimation of Novel Objects via Render & Compare [84.80956484848505]
  MegaPoseは、トレーニング中に見えない新しいオブジェクトの6Dポーズを推定する方法である。 本稿では,新しいオブジェクトに適用可能なR&Compare戦略に基づく6次元ポーズリファインダを提案する。 第2に,合成レンダリングと同一物体の観察画像間のポーズ誤差をリファインダで補正できるか否かを分類するために訓練されたネットワークを利用する,粗いポーズ推定のための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-12-13T19:30:03Z)
• Robust Category-Level 6D Pose Estimation with Coarse-to-Fine Rendering of Neural Features [17.920305227880245]
  1枚のRGB画像からカテゴリレベルの6Dポーズ推定の問題を考察する。 提案手法は,対象カテゴリを立方体メッシュとして表現し,各メッシュにおける神経機能アクティベーションの生成モデルを学習する。 実験では,先行作業と比較して,カテゴリレベルの6次元ポーズ推定性能が向上した。
  論文  参考訳（メタデータ） (2022-09-12T21:31:36Z)
• Unseen Object 6D Pose Estimation: A Benchmark and Baselines [62.8809734237213]
  本稿では,新しい物体の6次元ポーズ推定をアルゴリズムで行えるようにするための新しいタスクを提案する。 実画像と合成画像の両方でデータセットを収集し、テストセットで最大48個の未確認オブジェクトを収集する。 エンド・ツー・エンドの3D対応ネットワークをトレーニングすることにより、未確認物体と部分ビューRGBD画像との対応点を高精度かつ効率的に見つけることができる。
  論文  参考訳（メタデータ） (2022-06-23T16:29:53Z)
• Semantic keypoint-based pose estimation from single RGB frames [64.80395521735463]
  一つのRGB画像からオブジェクトの連続6-DoFポーズを推定する手法を提案する。 このアプローチは、畳み込みネットワーク(convnet)によって予測されるセマンティックキーポイントと、変形可能な形状モデルを組み合わせる。 提案手法は,インスタンスベースのシナリオとクラスベースのシナリオの両方に対して,6-DoFオブジェクトのポーズを正確に復元できることを示す。
  論文  参考訳（メタデータ） (2022-04-12T15:03:51Z)
• OVE6D: Object Viewpoint Encoding for Depth-based 6D Object Pose Estimation [12.773040823634908]
  単一深度画像と対象物マスクからモデルに基づく6次元オブジェクトのポーズ推定を行うために,OVE6Dと呼ばれる普遍的なフレームワークを提案する。 われわれのモデルはShapeNetから生成された純粋に合成されたデータを用いて訓練されており、既存のほとんどの方法とは異なり、微調整なしで新しい現実世界のオブジェクトをうまく一般化する。 OVE6Dは、現実世界のトレーニングデータを用いて、個々のオブジェクトやデータセットに特化して訓練された、現代の深層学習に基づくポーズ推定手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-02T12:51:33Z)
• DONet: Learning Category-Level 6D Object Pose and Size Estimation from Depth Observation [53.55300278592281]
  単一深度画像からカテゴリレベルの6次元オブジェクト・ポースとサイズ推定(COPSE)を提案する。 筆者らのフレームワークは,深度チャネルのみの物体のリッチな幾何学的情報に基づいて推論を行う。 我々のフレームワークは、ラベル付き現実世界の画像を必要とする最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-06-27T10:41:50Z)
• Shape Prior Deformation for Categorical 6D Object Pose and Size Estimation [62.618227434286]
  RGB-D画像から見えないオブジェクトの6Dポーズとサイズを復元する新しい学習手法を提案する。 本研究では,事前学習したカテゴリ形状からの変形を明示的にモデル化することにより,3次元オブジェクトモデルを再構築するディープネットワークを提案する。
  論文  参考訳（メタデータ） (2020-07-16T16:45:05Z)

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。