論文の概要: Correct and Certify: A New Approach to Self-Supervised 3D-Object Perception

• arxiv url: http://arxiv.org/abs/2206.11215v1
• Date: Wed, 22 Jun 2022 17:06:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-23 17:26:51.860769
• Title: Correct and Certify: A New Approach to Self-Supervised 3D-Object Perception
• Title（参考訳）: correct and certify: 自己教師付き3dオブジェクト知覚への新しいアプローチ
• Authors: Rajat Talak, Lisa Peng, and Luca Carlone
• Abstract要約: 対象物の部分点雲が与えられた場合、CADモデルをセンサデータに適合させることでオブジェクトのポーズを推定することが目的である。 i)セマンティックキーポイントに基づくポーズ推定モデル,(ii)新しい自己指導型トレーニング手法,(iii)認証手順を組み合わせることで,モデルが生成した出力が正しいか否かを判断するだけでなく,生成したソリューションの特異性をフラグする。
• 参考スコア（独自算出の注目度）: 23.802602957611676
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider an object pose estimation and model fitting problem, where - given a partial point cloud of an object - the goal is to estimate the object pose by fitting a CAD model to the sensor data. We solve this problem by combining (i) a semantic keypoint-based pose estimation model, (ii) a novel self-supervised training approach, and (iii) a certification procedure, that not only verifies whether the output produced by the model is correct or not, but also flags uniqueness of the produced solution. The semantic keypoint detector model is initially trained in simulation and does not perform well on real-data due to the domain gap. Our self-supervised training procedure uses a corrector and a certification module to improve the detector. The corrector module corrects the detected keypoints to compensate for the domain gap, and is implemented as a declarative layer, for which we develop a simple differentiation rule. The certification module declares whether the corrected output produced by the model is certifiable (i.e. correct) or not. At each iteration, the approach optimizes over the loss induced only by the certifiable input-output pairs. As training progresses, we see that the fraction of outputs that are certifiable increases, eventually reaching near $100\%$ in many cases. We also introduce the notion of strong certifiability wherein the model can determine if the predicted object model fit is unique or not. The detected semantic keypoints help us implement this in the forward pass. We conduct extensive experiments to evaluate the performance of the corrector, the certification, and the proposed self-supervised training using the ShapeNet and YCB datasets, and show the proposed approach achieves performance comparable to fully supervised baselines while not requiring pose or keypoint supervision on real data.
• Abstract（参考訳）: 対象のポーズ推定とモデルフィッティングの問題を考える。対象の部分点クラウドは、cadモデルをセンサデータに適合させることで、対象ポーズを推定することを目的としている。 私たちはこの問題を組み合わせて解決する (i)意味的キーポイントに基づくポーズ推定モデル (二)新しい自己指導型研修方法、及び (iii) モデルが生成した出力が正しいか否かを検証できるだけでなく、生成した解の独特さをフラグする認証手続。 セマンティクスキーポイント検出器モデルは、当初はシミュレーションで訓練されており、ドメインギャップのため実データではうまく動作しない。 自己監督訓練では,検出装置の改良に補正器と認証モジュールを用いる。 修正モジュールは検出されたキーポイントを補正してドメインギャップを補償し、宣言層として実装し、簡単な微分則を開発する。 認証モジュールは、モデルによって生成された補正された出力が証明可能であるか否か(すなわち正しい)を宣言する。 各イテレーションでは、検証可能な入出力ペアのみによって引き起こされる損失を最適化する。 トレーニングが進むにつれて、検証可能なアウトプットのごく一部が増加し、多くの場合、100ドル=$近くに達する。 また、予測対象モデルが一意であるか否かをモデルが判断できる強力な証明可能性の概念も導入する。 検出されたセマンティックキーポイントは、フォワードパスでこれを実装するのに役立つ。 提案手法は,シェープネットとycbデータセットを用いて,修正者,認証者,提案する自己教師付きトレーニングの性能を評価するための広範囲な実験を行い,実データに対してポーズやキーポイントの監督を必要とせず,完全に教師付きベースラインと同等のパフォーマンスを実現する。

関連論文リスト

• Certifying Robustness of Learning-Based Keypoint Detection and Pose Estimation Methods [9.953693315812995]
  この研究は、視覚に基づく2段階の6次元オブジェクトポーズ推定の堅牢性の証明に対処する。 中心となる考え方は、ローカルロバストネスの認定を、分類タスクのニューラルネットワーク検証に変換することである。
  論文  参考訳（メタデータ） (2024-07-31T19:02:54Z)
• Q-REG: End-to-End Trainable Point Cloud Registration with Surface Curvature [81.25511385257344]
  本稿では、リッチな幾何学的情報を用いて、単一の対応から剛性ポーズを推定する新しい解Q-REGを提案する。 Q-REGは、堅牢な推定を徹底的な探索として形式化し、エンドツーエンドのトレーニングを可能にする。 実験では、Q-REGは対応マッチング法に非依存であり、推論とエンドツーエンドトレーニングの両方で使用した場合に一貫した改善を提供する。
  論文  参考訳（メタデータ） (2023-09-27T20:58:53Z)
• A Correct-and-Certify Approach to Self-Supervise Object Pose Estimators via Ensemble Self-Training [26.47895284071508]
  現実世界のロボティクスアプリケーションは、さまざまなシナリオで確実に動作するオブジェクトのポーズ推定方法を要求する。 最初のコントリビューションは、深度情報を用いたポーズ推定を補正する堅牢な修正モジュールの開発です。 第2の貢献は、複数のポーズ推定器を自己教師型で同時に訓練するアンサンブル自己学習アプローチである。
  論文  参考訳（メタデータ） (2023-02-12T23:02:03Z)
• Selective classification using a robust meta-learning approach [28.460912135533988]
  本稿では,補助ネットワークを用いて予測不確実性を捉えるインスタンス条件の再重み付け手法を提案する。 制御された実験において、このメタオブジェクトを通して様々な不確実性の概念を効果的に捉えていることを示す。 糖尿病網膜症では、最大3.4%/3.3%の精度でSOTAを上回り、選択的分類ではAUCが上昇する。
  論文  参考訳（メタデータ） (2022-12-12T15:45:23Z)
• CPPF++: Uncertainty-Aware Sim2Real Object Pose Estimation by Vote Aggregation [67.12857074801731]
  そこで本研究では,シミュレートからリアルなポーズ推定のための新しい手法であるCPPF++を提案する。 投票衝突による課題に対処するため,投票の不確実性をモデル化する新たなアプローチを提案する。 ノイズの多いペアフィルタリング、オンラインアライメント最適化、機能アンサンブルなど、いくつかの革新的なモジュールを組み込んでいます。
  論文  参考訳（メタデータ） (2022-11-24T03:27:00Z)
• VL4Pose: Active Learning Through Out-Of-Distribution Detection For Pose Estimation [79.50280069412847]
  VL4Poseは、分布外検出によるアクティブな学習のための第一原理的アプローチである。 我々の解は、最大推定により訓練された単純なパラメトリックベイズネットワークを介してポーズをモデル化することを含む。 我々はMPII, LSP, ICVLの3つのデータセットに対して定性的かつ定量的な実験を行い, 人手ポーズ推定を行った。
  論文  参考訳（メタデータ） (2022-10-12T09:03:55Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Dynamic Iterative Refinement for Efficient 3D Hand Pose Estimation [87.54604263202941]
  本稿では,従来の推定値の修正に部分的レイヤを反復的に活用する,小さなディープニューラルネットワークを提案する。 学習したゲーティング基準を用いて、ウェイトシェアリングループから抜け出すかどうかを判断し、モデルにサンプルごとの適応を可能にする。 提案手法は,広く使用されているベンチマークの精度と効率の両面から,最先端の2D/3Dハンドポーズ推定手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-11-11T23:31:34Z)
• Fast Uncertainty Quantification for Deep Object Pose Estimation [91.09217713805337]
  深層学習に基づくオブジェクトポーズ推定は、しばしば信頼できない、自信過剰である。 本研究では,6-DoFオブジェクトのポーズ推定のための,シンプルで効率的かつプラグアンドプレイなUQ手法を提案する。
  論文  参考訳（メタデータ） (2020-11-16T06:51:55Z)

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。