論文の概要: TTA-COPE: Test-Time Adaptation for Category-Level Object Pose Estimation

• arxiv url: http://arxiv.org/abs/2303.16730v1
• Date: Wed, 29 Mar 2023 14:34:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-30 14:32:41.541386
• Title: TTA-COPE: Test-Time Adaptation for Category-Level Object Pose Estimation
• Title（参考訳）: TTA-COPE:カテゴリーレベルオブジェクト位置推定のためのテスト時間適応
• Authors: Taeyeop Lee, Jonathan Tremblay, Valts Blukis, Bowen Wen, Byeong-Uk Lee, Inkyu Shin, Stan Birchfield, In So Kweon, Kuk-Jin Yoon
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 86.80589902825196
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Test-time adaptation methods have been gaining attention recently as a practical solution for addressing source-to-target domain gaps by gradually updating the model without requiring labels on the target data. In this paper, we propose a method of test-time adaptation for category-level object pose estimation called TTA-COPE. We design a pose ensemble approach with a self-training loss using pose-aware confidence. Unlike previous unsupervised domain adaptation methods for category-level object pose estimation, our approach processes the test data in a sequential, online manner, and it does not require access to the source domain at runtime. Extensive experimental results demonstrate that the proposed pose ensemble and the self-training loss improve category-level object pose performance during test time under both semi-supervised and unsupervised settings. Project page: https://taeyeop.com/ttacope
• Abstract（参考訳）: 近年,ターゲットデータのラベルを必要とせず,段階的にモデルを更新することで,ソース・ターゲット領域間のギャップに対処する実用的な手法として,テスト時間適応手法が注目されている。 本稿では,TTA-COPEと呼ばれるカテゴリー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手法を提案する。 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デザインする。 従来のカテゴリレベルのオブジェクトポーズ推定のための教師なしドメイン適応手法とは異なり、このアプローチはテストデータをシーケンシャルでオンラインな方法で処理し、実行時にソースドメインにアクセスする必要はない。 実験結果から,半教師なしと教師なしの両方条件下で,提案したポーズアンサンブルと自己学習損失により,テスト期間中のカテゴリーレベルのオブジェクトポーズ性能が向上することが示された。 プロジェクトページ: https://taeyeop.com/ttacope

関連論文リスト

• Adaptive Cascading Network for Continual Test-Time Adaptation [12.718826132518577]
  そこで本研究では,テスト時に対象ドメインの列に事前学習したソースモデルを適応させることを目標とする連続的なテスト時間適応の問題について検討する。 テストタイムトレーニングの既存の方法には、いくつかの制限がある。
  論文  参考訳（メタデータ） (2024-07-17T01:12:57Z)
• What, How, and When Should Object Detectors Update in Continually Changing Test Domains? [34.13756022890991]
  テストデータを推測しながらモデルをオンラインに適応させるテスト時適応アルゴリズムが提案されている。 連続的に変化するテスト領域におけるオブジェクト検出のための新しいオンライン適応手法を提案する。 提案手法は,広く使用されているベンチマークのベースラインを超え,最大4.9%,mAP7.9%の改善を実現している。
  論文  参考訳（メタデータ） (2023-12-12T07:13:08Z)
• 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)
• PoseMatcher: One-shot 6D Object Pose Estimation by Deep Feature Matching [51.142988196855484]
  本稿では,PoseMatcherを提案する。 3ビューシステムに基づくオブジェクトと画像のマッチングのための新しいトレーニングパイプラインを作成します。 PoseMatcherは、画像とポイントクラウドの異なる入力モダリティに対応できるように、IO-Layerを導入します。
  論文  参考訳（メタデータ） (2023-04-03T21:14:59Z)
• STFAR: Improving Object Detection Robustness at Test-Time by Self-Training with Feature Alignment Regularization [35.16122933158808]
  ドメイン適応は、分散シフトを伴うドメインデータをターゲットにするオブジェクト検出モデルを一般化するのに役立ちます。 テスト時,すなわちテスト時適応(TTAOD)におけるオブジェクト検出モデルの適用について検討する。 提案手法は,テスト時間適応オブジェクト検出タスクに最先端を設定できる。
  論文  参考訳（メタデータ） (2023-03-31T10:04:44Z)
• CATRE: Iterative Point Clouds Alignment for Category-level Object Pose Refinement [52.41884119329864]
  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。
  論文  参考訳（メタデータ） (2022-07-17T05:55:00Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• Interactron: Embodied Adaptive Object Detection [18.644357684104662]
  インタラクティブな環境下での適応オブジェクト検出手法であるInteractronを提案する。 私たちの考えは、推論中のトレーニングを継続し、環境との対話を通じて明確な監督なしに、テスト時にモデルを適応させることです。
  論文  参考訳（メタデータ） (2022-02-01T18:56:14Z)
• UDA-COPE: Unsupervised Domain Adaptation for Category-level Object Pose Estimation [84.16372642822495]
  我々は、textbfUDA-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教師なしドメイン適応(UDA)を提案する。 近年のマルチモーダルなUDA手法に触発された提案手法は,教師が指導する自己教師型学習手法を利用して,ターゲットドメインラベルを使わずにポーズ推定ネットワークを訓練する。
  論文  参考訳（メタデータ） (2021-11-24T16:00:48Z)
• Unsupervised Domain Adaptation for Spatio-Temporal Action Localization [69.12982544509427]
  S時間動作の局所化はコンピュータビジョンにおいて重要な問題である。 本稿では、エンドツーエンドの教師なしドメイン適応アルゴリズムを提案する。 空間的特徴と時間的特徴を別々にあるいは共同的に適応した場合に,顕著な性能向上が達成できることを示す。
  論文  参考訳（メタデータ） (2020-10-19T04:25:10Z)

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。