論文の概要: Spacecraft Pose Estimation Based on Unsupervised Domain Adaptation and on a 3D-Guided Loss Combination

• arxiv url: http://arxiv.org/abs/2212.13415v1
• Date: Tue, 27 Dec 2022 08:57:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 15:29:54.338229
• Title: Spacecraft Pose Estimation Based on Unsupervised Domain Adaptation and on a 3D-Guided Loss Combination
• Title（参考訳）: 非教師なし領域適応と3次元誘導損失結合に基づく宇宙船のポーズ推定
• Authors: Juan Ignacio Bravo P\'erez-Villar, \'Alvaro Garc\'ia-Mart\'in, Jes\'us Besc\'os
• Abstract要約: 宇宙船のポーズ推定は、2つの宇宙船が互いに周回しなければならない宇宙ミッションを可能にする重要なタスクである。 ポーズ推定の最先端アルゴリズムは、データ駆動方式を採用している。 宇宙環境に関連するコストと困難のために、宇宙環境で撮影された宇宙船の実際の訓練データが欠落している。 これは3Dデータシミュレータの導入を動機付け、データ可用性の問題を解決すると同時に、トレーニング(ソース)とテスト(ターゲット)ドメインの間に大きなギャップを導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spacecraft pose estimation is a key task to enable space missions in which two spacecrafts must navigate around each other. Current state-of-the-art algorithms for pose estimation employ data-driven techniques. However, there is an absence of real training data for spacecraft imaged in space conditions due to the costs and difficulties associated with the space environment. This has motivated the introduction of 3D data simulators, solving the issue of data availability but introducing a large gap between the training (source) and test (target) domains. We explore a method that incorporates 3D structure into the spacecraft pose estimation pipeline to provide robustness to intensity domain shift and we present an algorithm for unsupervised domain adaptation with robust pseudo-labelling. Our solution has ranked second in the two categories of the 2021 Pose Estimation Challenge organised by the European Space Agency and the Stanford University, achieving the lowest average error over the two categories.
• Abstract（参考訳）: 宇宙船のポーズ推定は、2つの宇宙船が互いに周回しなければならない宇宙ミッションを可能にする重要なタスクである。 データ駆動手法を用いたポーズ推定の現状と課題 しかし、宇宙環境に関わるコストや困難のために、宇宙環境に撮影された宇宙船の実際の訓練データが欠如している。 これは3Dデータシミュレータの導入を動機付け、データ可用性の問題を解決すると同時に、トレーニング(ソース)とテスト(ターゲット)ドメインの間に大きなギャップを導入する。 本研究では,3次元構造を宇宙船の姿勢推定パイプラインに組み込んで,強度領域シフトに対するロバスト性を提供し,ロバストな擬似ラベルを用いた教師なし領域適応のためのアルゴリズムを提案する。 当社のソリューションは、欧州宇宙機関とスタンフォード大学が主催する2021年のポス推定チャレンジの2つのカテゴリで2番目にランク付けされ、この2つのカテゴリにおいて最も低い平均誤差を達成しました。

関連論文リスト

• You Only Crash Once v2: Perceptually Consistent Strong Features for One-Stage Domain Adaptive Detection of Space Terrain [4.339510167603377]
  惑星、月、小天体の表面地形をその場で検出することは、自律的な宇宙船の用途に不可欠である。 Unsupervised Domain Adaptation (UDA)は、異なるデータソースによるモデルトレーニングを容易にすることで、有望なソリューションを提供する。 UDA下での地形検出能力を向上するVSA方式の新たな追加を提案する。
  論文  参考訳（メタデータ） (2025-01-23T14:58:49Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Syn-to-Real Unsupervised Domain Adaptation for Indoor 3D Object Detection [50.448520056844885]
  室内3次元物体検出における非教師なし領域適応のための新しいフレームワークを提案する。 合成データセット3D-FRONTから実世界のデータセットScanNetV2とSUN RGB-Dへの適応結果は、ソースオンリーベースラインよりも9.7%、9.1%のmAP25が顕著に改善されていることを示している。
  論文  参考訳（メタデータ） (2024-06-17T08:18:41Z)
• SpatialVLM: Endowing Vision-Language Models with Spatial Reasoning Capabilities [59.39858959066982]
  空間的関係についての理解と推論は、視覚質問応答(VQA)とロボット工学の基本的な能力である。 我々は,1000万枚の実画像に対して,最大20億個のVQAサンプルをスケール可能な3次元空間VQAデータ自動生成フレームワークを開発した。 このようなデータに基づいてVLMを訓練することにより、定性的空間的VQAと定量的空間的VQAの両方において、その能力を大幅に向上する。
  論文  参考訳（メタデータ） (2024-01-22T18:01:01Z)
• Auxiliary Tasks Benefit 3D Skeleton-based Human Motion Prediction [106.06256351200068]
  本稿では,補助的なタスクを伴うモデル学習フレームワークを提案する。 補助作業では、部分体関節の座標はマスキングまたはノイズ付加によって損なわれる。 本稿では,不完全かつ破損した動作データを処理できる新しい補助適応変換器を提案する。
  論文  参考訳（メタデータ） (2023-08-17T12:26:11Z)
• A Survey on Deep Learning-Based Monocular Spacecraft Pose Estimation: Current State, Limitations and Prospects [7.08026800833095]
  非協力宇宙船の姿勢を推定することは、軌道上の視覚ベースのシステムを実現するための重要なコンピュータビジョン問題である。 コンピュータビジョンの一般的な傾向に続き、この問題を解決するためにディープラーニング(DL)手法を活用する研究がますます増えている。 有望な研究段階の結果にもかかわらず、実際のミッションでこのような方法が使われるのを防ぐ大きな課題が今も残っている。
  論文  参考訳（メタデータ） (2023-05-12T09:52:53Z)
• Bridging the Domain Gap in Satellite Pose Estimation: a Self-Training Approach based on Geometrical Constraints [44.15764885297801]
  ドメインに依存しない幾何学的制約に基づく自己学習フレームワークを提案する。 具体的には、ニューラルネットワークをトレーニングして、衛星の2Dキーポイントを予測する。 実験の結果,本手法は対象領域に順応することがわかった。
  論文  参考訳（メタデータ） (2022-12-23T01:47:36Z)
• Aligning Silhouette Topology for Self-Adaptive 3D Human Pose Recovery [70.66865453410958]
  アーティキュレーション中心の2D/3Dポーズ監視は、既存の多くの人間のポーズ推定技術においてコアトレーニング目標を形成する。 本稿では,ソース学習モデルベース回帰器を適応させるために,シルエット監視のみに依存する新しいフレームワークを提案する。 我々は、トポロジカル・スケルトン表現を生シルエットから切り離すために、一連の畳み込みに優しい空間変換を開発する。
  論文  参考訳（メタデータ） (2022-04-04T06:58:15Z)
• LSPnet: A 2D Localization-oriented Spacecraft Pose Estimation Neural Network [10.6872574091924]
  本研究は,非協調宇宙船の姿勢を推定するために,畳み込みニューラルネットワーク(CNN)を用いた新しい手法を探索する。 他のアプローチとは対照的に、提案されたCNNは3D情報を必要とせずにポーズを直接取り消す。 この実験は、非協力的な宇宙船のポーズ推定における最先端技術とどのように競合するかを示す。
  論文  参考訳（メタデータ） (2021-04-19T12:46:05Z)
• PLUME: Efficient 3D Object Detection from Stereo Images [95.31278688164646]
  既存の手法では、2つのステップでこの問題に対処する: 第一深度推定を行い、その深さ推定から擬似LiDAR点雲表現を計算し、3次元空間で物体検出を行う。 この2つのタスクを同一のメトリック空間で統一するモデルを提案する。 提案手法は,既存の手法と比較して推定時間を大幅に削減し,挑戦的なKITTIベンチマークの最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-01-17T05:11:38Z)

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。