論文の概要: DLOFTBs -- Fast Tracking of Deformable Linear Objects with B-splines

• arxiv url: http://arxiv.org/abs/2302.13694v2
• Date: Thu, 11 May 2023 08:36:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-12 18:01:14.631460
• Title: DLOFTBs -- Fast Tracking of Deformable Linear Objects with B-splines
• Title（参考訳）: DLOFTBs -- B-splinesによる変形可能な線形物体の高速追跡
• Authors: Piotr Kicki, Amadeusz Szymko, Krzysztof Walas
• Abstract要約: 本稿では,マスク画像に基づいてDLOの形状を高速に追跡するアルゴリズムを提案する。 実験の結果,DLOの形状復元精度とアルゴリズム実行時間において,我々の解は現状のアプローチよりも優れていた。
• 参考スコア（独自算出の注目度）: 1.3836565669337055
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: While manipulating rigid objects is an extensively explored research topic, deformable linear object (DLO) manipulation seems significantly underdeveloped. A potential reason for this is the inherent difficulty in describing and observing the state of the DLO as its geometry changes during manipulation. This paper proposes an algorithm for fast-tracking the shape of a DLO based on the masked image. Having no prior knowledge about the tracked object, the proposed method finds a reliable representation of the shape of the tracked object within tens of milliseconds. This algorithm's main idea is to first skeletonize the DLO mask image, walk through the parts of the DLO skeleton, arrange the segments into an ordered path, and finally fit a B-spline into it. Experiments show that our solution outperforms the State-of-the-Art approaches in DLO's shape reconstruction accuracy and algorithm running time and can handle challenging scenarios such as severe occlusions, self-intersections, and multiple DLOs in a single image.
• Abstract（参考訳）: 剛体物体の操作は広範囲にわたる研究課題であるが、変形可能な線形物体(DLO)の操作は著しく未発達である。 潜在的な理由は、DLOの状態を操作中の幾何学的変化として記述し観察することの難しさである。 本稿では,マスク画像に基づいてDLOの形状を高速に追跡するアルゴリズムを提案する。 追跡対象について事前の知識がないため,提案手法は数十ミリ秒以内の追跡対象の形状の信頼性の高い表現を求める。 このアルゴリズムの主なアイデアは、まずDLOマスクの画像をスケルトン化し、DLOのスケルトンの一部を通り抜け、セグメントを順序づけられた経路に配置し、最後にB-スプラインを適合させることである。 実験の結果,DLOの形状復元精度とアルゴリズム実行時間において,本手法は最先端の手法よりも優れており,重度の閉塞,自己切断,複数のDLOを単一画像で処理できることがわかった。

関連論文リスト

• Realtime Robust Shape Estimation of Deformable Linear Object [5.63550507123537]
  本研究では, 線形変形可能な物体の形状を, 分散鍵点と非順序鍵点を用いてリアルタイムで推定するロバストな手法を提案する。 鍵点が部分的に無視されている場合の手法のロバスト性を示す。 提案手法は,長さ1m,半径5mmのケーブルの形状を追跡するためのUnityのシミュレーションにも組み込まれている。
  論文  参考訳（メタデータ） (2024-03-24T13:36:23Z)
• DexDLO: Learning Goal-Conditioned Dexterous Policy for Dynamic Manipulation of Deformable Linear Objects [7.72979328949568]
  変形可能な線形オブジェクトに対するデキスタラス動的操作ポリシーを固定ベースデキスタラスハンドで学習するモデルフリーフレームワークであるDexDLOを提案する。 我々は,同じフレームワークパラメータで5つの異なるDLO操作タスクを効率的に学習できることを示す。
  論文  参考訳（メタデータ） (2023-12-23T09:26:20Z)
• Robust 3D Tracking with Quality-Aware Shape Completion [67.9748164949519]
  そこで本研究では,高密度および完全点の雲からなる合成対象表現について,ロバストな3次元追跡のための形状完備化により正確に表現する。 具体的には, 形状が整ったボキセル化3次元追跡フレームワークを設計し, ノイズのある歴史的予測の悪影響を軽減するために, 品質に配慮した形状完備化機構を提案する。
  論文  参考訳（メタデータ） (2023-12-17T04:50:24Z)
• Once Detected, Never Lost: Surpassing Human Performance in Offline LiDAR based 3D Object Detection [50.959453059206446]
  本稿では,高性能なオフラインLiDARによる3Dオブジェクト検出を実現することを目的とする。 まず、経験豊富な人間のアノテータが、トラック中心の視点でオブジェクトに注釈を付けるのを観察する。 従来のオブジェクト中心の視点ではなく,トラック中心の視点で高性能なオフライン検出器を提案する。
  論文  参考訳（メタデータ） (2023-04-24T17:59:05Z)
• SDFEst: Categorical Pose and Shape Estimation of Objects from RGB-D using Signed Distance Fields [5.71097144710995]
  RGB-D画像からのオブジェクトのポーズと形状推定のためのモジュールパイプラインを提案する。 生成型形状モデルと新しいネットワークを統合して,単一または複数ビューからの6次元ポーズと形状推定を可能にする。 我々は、合成データと実データの両方に関するいくつかの実験において、最先端手法に対するアプローチの利点を実証する。
  論文  参考訳（メタデータ） (2022-07-11T13:53:50Z)
• Direct Dense Pose Estimation [138.56533828316833]
  複雑な人間のポーズ推定は、RGB画像と人体の表面との密接な対応を学習する問題である。 従来より密集したポーズ推定手法は、すべてMask R-CNNフレームワークに基づいており、まず各人物のバウンディングボックスを識別しようとするトップダウン方式で動作している。 そこで我々は,DDP (Direct Dense Pose) という,高密度ポーズ推定問題の解法を提案する。
  論文  参考訳（メタデータ） (2022-04-04T06:14:38Z)
• Disentangling Object Motion and Occlusion for Unsupervised Multi-frame Monocular Depth [37.021579239596164]
  既存の動的対象に焦点をあてた手法は、トレーニング損失レベルのミスマッチ問題を部分的に解決しただけである。 本稿では,これらの問題を予測レベルと監督損失レベルの両方で解くために,新しい多フレーム単眼深度予測法を提案する。 我々の手法はDynamicDepthと呼ばれ、自己教師付きサイクル一貫性学習スキームによって訓練された新しいフレームワークである。
  論文  参考訳（メタデータ） (2022-03-29T01:36:11Z)
• Implicit Motion Handling for Video Camouflaged Object Detection [60.98467179649398]
  本稿では,新しいビデオカモフラージュオブジェクト検出(VCOD)フレームワークを提案する。 短期的および長期的整合性を利用して、ビデオフレームからカモフラージュされたオブジェクトを検出する。
  論文  参考訳（メタデータ） (2022-03-14T17:55:41Z)
• Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
  画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。 我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
  論文  参考訳（メタデータ） (2021-01-07T07:33:38Z)
• DMLO: Deep Matching LiDAR Odometry [24.245702652854217]
  Deep Matching LiDAR Odometry (DMLO) は,LiDAR odometry タスクに適用可能な特徴マッチング手法を実現する,新しい学習ベースのフレームワークである。 我々のフレームワークは既存の学習手法を劇的に上回り、最先端の幾何学的アプローチに匹敵することを示す。
  論文  参考訳（メタデータ） (2020-04-08T03:52:49Z)
• DOPS: Learning to Detect 3D Objects and Predict their 3D Shapes [54.239416488865565]
  LIDARデータに対する高速な1段3次元物体検出法を提案する。 我々の手法の中核となる新規性は高速かつシングルパスアーキテクチャであり、どちらも3次元の物体を検出し、それらの形状を推定する。 提案手法は,ScanNetシーンのオブジェクト検出で5%,オープンデータセットでは3.4%の精度で結果が得られた。
  論文  参考訳（メタデータ） (2020-04-02T17:48:50Z)

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。