論文の概要: CATRE: Iterative Point Clouds Alignment for Category-level Object Pose Refinement

• arxiv url: http://arxiv.org/abs/2207.08082v1
• Date: Sun, 17 Jul 2022 05:55:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-19 16:36:54.510572
• Title: CATRE: Iterative Point Clouds Alignment for Category-level Object Pose Refinement
• Title（参考訳）: CATRE: カテゴリレベルのオブジェクトポスリファインメントのための反復点雲アライメント
• Authors: Xingyu Liu, Gu Wang, Yi Li, Xiangyang Ji
• Abstract要約: カテゴリーレベルのオブジェクトポーズとサイズ精細化器 CATRE は、点雲からのポーズ推定を反復的に強化し、正確な結果が得られる。 提案手法は,REAL275,CAMERA25,LMのベンチマークを85.32Hzまで高速化する。
• 参考スコア（独自算出の注目度）: 52.41884119329864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While category-level 9DoF object pose estimation has emerged recently, previous correspondence-based or direct regression methods are both limited in accuracy due to the huge intra-category variances in object shape and color, etc. Orthogonal to them, this work presents a category-level object pose and size refiner CATRE, which is able to iteratively enhance pose estimate from point clouds to produce accurate results. Given an initial pose estimate, CATRE predicts a relative transformation between the initial pose and ground truth by means of aligning the partially observed point cloud and an abstract shape prior. In specific, we propose a novel disentangled architecture being aware of the inherent distinctions between rotation and translation/size estimation. Extensive experiments show that our approach remarkably outperforms state-of-the-art methods on REAL275, CAMERA25, and LM benchmarks up to a speed of ~85.32Hz, and achieves competitive results on category-level tracking. We further demonstrate that CATRE can perform pose refinement on unseen category. Code and trained models are available.
• Abstract（参考訳）: カテゴリレベルの9DoFオブジェクトのポーズ推定が最近現れたが、オブジェクトの形状や色などに大きな違いがあるため、従来の対応型あるいは直接回帰型の手法は正確性に制限されている。 直交的に、この研究はカテゴリーレベルのオブジェクトポーズとサイズリファインダCATREを示し、点雲からのポーズ推定を反復的に強化して正確な結果を生成することができる。 初期ポーズ推定を仮定すると、catreは、部分観測された点雲と抽象的な形状を事前に整列させることによって、初期ポーズと基底真理の間の相対的な変換を予測する。 具体的には,回転と翻訳/サイズ推定に固有の違いを認識した,新しい異方性アーキテクチャを提案する。 大規模な実験により,REAL275,CAMERA25,LMのベンチマークでは,85.32Hzの速度で最先端の手法を著しく上回り,カテゴリーレベルの追跡において競合的な結果が得られることが示された。 さらに、CATREは目に見えないカテゴリーでポーズ改善を行うことができることを示す。 コードとトレーニングされたモデルが利用可能だ。

関連論文リスト

• UNOPose: Unseen Object Pose Estimation with an Unposed RGB-D Reference Image [86.7128543480229]
  単参照型オブジェクトポーズ推定のための新しいアプローチとベンチマークをUNOPoseと呼ぶ。 粗大なパラダイムに基づいて、UNOPoseはSE(3)不変の参照フレームを構築し、オブジェクト表現を標準化する。 重なり合う領域内に存在すると予測される確率に基づいて、各対応の重みを補正する。
  論文  参考訳（メタデータ） (2024-11-25T05:36:00Z)
• DR-Pose: A Two-stage Deformation-and-Registration Pipeline for Category-level 6D Object Pose Estimation [9.074911955402495]
  カテゴリーレベルのオブジェクトポーズ推定では、所定のカテゴリからオブジェクトの6Dポーズと3Dメトリックサイズを推定する。 近年のアプローチでは、ポーズ推定精度を向上させるために、カテゴリ形状の事前情報を参考にしている。 本稿では, DR-Poseと呼ばれる2段階の変形・登録パイプラインを提案する。
  論文  参考訳（メタデータ） (2023-09-05T03:24:09Z)
• GenPose: Generative Category-level Object Pose Estimation via Diffusion Models [5.1998359768382905]
  カテゴリーレベルのオブジェクトポーズ推定を条件付き生成モデルとして再検討することで,新しい解を提案する。 提案手法は,厳密な5d2cmおよび5d5cmの計測値に対して50%と60%を越え,REAL275データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-06-18T11:45:42Z)
• TTA-COPE: Test-Time Adaptation for Category-Level Object Pose Estimation [86.80589902825196]
  TTA-COPEと呼ばれるカテゴリレベルのオブジェクトポーズ推定のためのテスト時間適応法を提案する。 ポーズ認識信頼度を用いて、自己学習損失を伴うポーズアンサンブルアプローチを設計する。 当社のアプローチでは,テストデータを逐次的かつオンライン的に処理し,実行時にソースドメインにアクセスする必要はない。
  論文  参考訳（メタデータ） (2023-03-29T14:34:54Z)
• SSP-Pose: Symmetry-Aware Shape Prior Deformation for Direct Category-Level Object Pose Estimation [77.88624073105768]
  カテゴリーレベルのポーズ推定は、クラス内形状の変化によって難しい問題である。 カテゴリレベルのポーズ推定のためのエンドツーエンドのトレーニング可能なネットワークSSP-Poseを提案する。 SSP-Poseは、リアルタイムの推論速度が約25Hzの競合に比べて性能が優れている。
  論文  参考訳（メタデータ） (2022-08-13T14:37:31Z)
• RBP-Pose: Residual Bounding Box Projection for Category-Level Pose Estimation [103.74918834553247]
  カテゴリーレベルのオブジェクトポーズ推定は、既知のカテゴリの集合からの任意のオブジェクトの3次元メートル法サイズだけでなく、6次元のポーズを予測することを目的としている。 近年の手法では, 観測された点雲を標準空間にマッピングし, 梅山アルゴリズムを用いてポーズとサイズを復元する手法が提案されている。 本稿では,オブジェクトのポーズと残差ベクトルを共同で予測する,幾何学誘導型残差オブジェクト境界ボックス投影ネットワーク RBP-Pose を提案する。
  論文  参考訳（メタデータ） (2022-07-30T14:45:20Z)
• Towards Self-Supervised Category-Level Object Pose and Size Estimation [121.28537953301951]
  本研究は,一深度画像からのカテゴリレベルのオブジェクトポーズとサイズ推定のための自己教師型フレームワークを提案する。 我々は、同じ形状の点雲における幾何学的整合性を利用して自己超越する。
  論文  参考訳（メタデータ） (2022-03-06T06:02:30Z)
• Leveraging SE(3) Equivariance for Self-Supervised Category-Level Object Pose Estimation [30.04752448942084]
  カテゴリーレベルのオブジェクトポーズ推定は、オブジェクトCADモデルにアクセスすることなく、既知のカテゴリから未確認のオブジェクトインスタンスの6Dオブジェクトポーズを見つけることを目的としている。 本研究では,1つの3次元点群からカテゴリレベルの6次元オブジェクトのポーズを推定する自己教師型学習フレームワークを初めて提案する。
  論文  参考訳（メタデータ） (2021-10-30T06:46:44Z)

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。