論文の概要: Finer-Grained Correlations: Location Priors for Unseen Object Pose Estimation

• arxiv url: http://arxiv.org/abs/2211.16290v1
• Date: Tue, 29 Nov 2022 15:21:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 17:34:34.033225
• Title: Finer-Grained Correlations: Location Priors for Unseen Object Pose Estimation
• Title（参考訳）: finer-Grained correlations: Anseen Object Pose Estimationのための位置優先
• Authors: Chen Zhao, Yinlin Hu, Mathieu Salzmann
• Abstract要約: 未確認のオブジェクト6Dのポーズ推定に対象位置を予め設定する手法を提案する。 提案手法は, LINEMOD および GenMOP 上で, 最先端の未確認物体の局所化と6次元ポーズ推定結果を実現する。
• 参考スコア（独自算出の注目度）: 70.49392581592089
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a new method which provides object location priors for previously unseen object 6D pose estimation. Existing approaches build upon a template matching strategy and convolve a set of reference images with the query. Unfortunately, their performance is affected by the object scale mismatches between the references and the query. To address this issue, we present a finer-grained correlation estimation module, which handles the object scale mismatches by computing correlations with adjustable receptive fields. We also propose to decouple the correlations into scale-robust and scale-aware representations to estimate the object location and size, respectively. Our method achieves state-of-the-art unseen object localization and 6D pose estimation results on LINEMOD and GenMOP. We further construct a challenging synthetic dataset, where the results highlight the better robustness of our method to varying backgrounds, illuminations, and object sizes, as well as to the reference-query domain gap.
• Abstract（参考訳）: 未確認のオブジェクト6Dのポーズ推定に対象位置を予め設定する手法を提案する。 既存のアプローチはテンプレートマッチング戦略に基づいて構築され、クエリで参照イメージのセットを畳み込む。 残念ながら、それらのパフォーマンスは、参照とクエリ間のオブジェクトスケールのミスマッチの影響を受けます。 この問題に対処するために,調整可能な受容場との相関を計算し,オブジェクトスケールのミスマッチを処理する粒度相関推定モジュールを提案する。 また,オブジェクトの位置とサイズを推定するために,相関関係をスケールロバスト表現とスケールアウェア表現に分離することを提案する。 提案手法は, LINEMOD および GenMOP 上で, 最先端の未確認物体の局所化と6次元ポーズ推定結果を実現する。 さらに,提案手法は,背景,照度,オブジェクトサイズ,参照-クエリ領域のギャップに対して,より堅牢であることを示す,困難な合成データセットを構築している。

関連論文リスト

• LocaliseBot: Multi-view 3D object localisation with differentiable rendering for robot grasping [9.690844449175948]
  オブジェクトのポーズ推定に重点を置いています。 このアプローチは,オブジェクトの複数ビュー,それらの視点におけるカメラのパラメータ,オブジェクトの3次元CADモデルという3つの情報に依存している。 推定対象のポーズが99.65%の精度で真理把握候補を把握できることが示される。
  論文  参考訳（メタデータ） (2023-11-14T14:27:53Z)
• 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)
• Coupled Iterative Refinement for 6D Multi-Object Pose Estimation [64.7198752089041]
  既知の3DオブジェクトのセットとRGBまたはRGB-Dの入力画像から、各オブジェクトの6Dポーズを検出して推定する。 我々のアプローチは、ポーズと対応を緊密に結合した方法で反復的に洗練し、アウトレーヤを動的に除去して精度を向上させる。
  論文  参考訳（メタデータ） (2022-04-26T18:00:08Z)
• ZebraPose: Coarse to Fine Surface Encoding for 6DoF Object Pose Estimation [76.31125154523056]
  物体表面を高密度に表現できる離散ディスクリプタを提案する。 また,微粒化対応予測が可能な微粒化学習戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-17T16:16:24Z)
• Objects are Different: Flexible Monocular 3D Object Detection [87.82253067302561]
  そこで本研究では,乱れたオブジェクトを明示的に分離し,オブジェクト深度推定のための複数のアプローチを適応的に組み合わせたモノクル3次元オブジェクト検出のためのフレキシブルなフレームワークを提案する。 実験の結果,本手法はkittiベンチマークテストセットにおいて,中等度レベルが27%,硬度が30%と,最先端法を27%上回った。
  論文  参考訳（メタデータ） (2021-04-06T07:01:28Z)
• Robust 6D Object Pose Estimation by Learning RGB-D Features [59.580366107770764]
  本稿では、この局所最適問題を解くために、回転回帰のための離散連続的な新しい定式化を提案する。 我々はSO(3)の回転アンカーを均一にサンプリングし、各アンカーから目標への制約付き偏差を予測し、最適な予測を選択するための不確実性スコアを出力する。 LINEMOD と YCB-Video の2つのベンチマーク実験により,提案手法が最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-02-29T06:24:55Z)

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。