論文の概要: Local Region-to-Region Mapping-based Approach to Classify Articulated Objects

• arxiv url: http://arxiv.org/abs/2305.06394v1
• Date: Wed, 10 May 2023 18:08:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-12 17:06:07.127045
• Title: Local Region-to-Region Mapping-based Approach to Classify Articulated Objects
• Title（参考訳）: 局所領域間マッピングに基づく人工物体の分類
• Authors: Ayush Aggarwal, Rustam Stolkin, Naresh Marturi
• Abstract要約: 本稿では, 登録型地域間マッピング手法を用いて, オブジェクトを明瞭あるいは剛性に分類する手法を提案する。 提案手法は, 高い精度で明瞭な物体と剛性の物体を分類することができる。
• 参考スコア（独自算出の注目度）: 2.3848738964230023
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous robots operating in real-world environments encounter a variety of objects that can be both rigid and articulated in nature. Having knowledge of these specific object properties not only helps in designing appropriate manipulation strategies but also aids in developing reliable tracking and pose estimation techniques for many robotic and vision applications. In this context, this paper presents a registration-based local region-to-region mapping approach to classify an object as either articulated or rigid. Using the point clouds of the intended object, the proposed method performs classification by estimating unique local transformations between point clouds over the observed sequence of movements of the object. The significant advantage of the proposed method is that it is a constraint-free approach that can classify any articulated object and is not limited to a specific type of articulation. Additionally, it is a model-free approach with no learning components, which means it can classify whether an object is articulated without requiring any object models or labelled data. We analyze the performance of the proposed method on two publicly available benchmark datasets with a combination of articulated and rigid objects. It is observed that the proposed method can classify articulated and rigid objects with good accuracy.
• Abstract（参考訳）: 現実の環境で動作する自律ロボットは、自然界において剛性と関節性を兼ね備えたさまざまな物体に遭遇する。 これらの特定のオブジェクト特性に関する知識を持つことは、適切な操作戦略を設計するのに役立つだけでなく、多くのロボットや視覚アプリケーションのための信頼性の高いトラッキングやポーズ推定手法の開発にも役立つ。 本稿では,対象をarticulated か rigid かのいずれかに分類するための登録ベース局所領域間マッピング手法を提案する。 対象物体の点雲を用いて,観測された物体の動き列上の点雲間の一意的な局所的変換を推定することで分類を行う。 提案手法の重要な利点は,任意の調音対象を分類でき,特定の調音に制限されない制約のないアプローチである点である。 さらに、学習コンポーネントのないモデルフリーのアプローチであり、オブジェクトモデルやラベル付きデータの必要なしに、オブジェクトがarticulatedかどうかを分類することができる。 提案手法の性能を2つの公開ベンチマーク・データセットで解析し,定性オブジェクトと剛性オブジェクトの組み合わせを用いて解析した。 提案手法は, 明瞭な物体と剛性の物体を精度良く分類することができる。

関連論文リスト

• ICGNet: A Unified Approach for Instance-Centric Grasping [42.92991092305974]
  オブジェクト中心の把握のためのエンドツーエンドアーキテクチャを導入する。 提案手法の有効性を,合成データセット上での最先端手法に対して広範囲に評価することにより示す。
  論文  参考訳（メタデータ） (2024-01-18T12:41:41Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• Cycle Consistency Driven Object Discovery [75.60399804639403]
  本研究では,シーンの各オブジェクトが異なるスロットに関連付けられなければならない制約を明示的に最適化する手法を提案する。 これらの一貫性目標を既存のスロットベースのオブジェクト中心手法に統合することにより、オブジェクト発見性能を大幅に改善することを示す。 提案手法は,オブジェクト発見を改善するだけでなく,下流タスクのよりリッチな機能も提供することを示唆している。
  論文  参考訳（メタデータ） (2023-06-03T21:49:06Z)
• Self-Supervised Category-Level Articulated Object Pose Estimation with Part-Level SE(3) Equivariance [33.10167928198986]
  カテゴリーレベルの調音オブジェクトポーズ推定は、未知の調音オブジェクトの調音オブジェクトポーズの階層を既知のカテゴリから推定することを目的としている。 我々は,人間ラベルを使わずにこの問題を解決する,新たな自己管理戦略を提案する。
  論文  参考訳（メタデータ） (2023-02-28T03:02:11Z)
• Discovering Objects that Can Move [55.743225595012966]
  手動ラベルなしでオブジェクトを背景から分離する、オブジェクト発見の問題について検討する。 既存のアプローチでは、色、テクスチャ、位置などの外観の手がかりを使用して、ピクセルをオブジェクトのような領域に分類する。 私たちは、動的オブジェクト -- 世界で独立して動くエンティティ -- にフォーカスすることを選びます。
  論文  参考訳（メタデータ） (2022-03-18T21:13:56Z)
• Uncertainty Aware Proposal Segmentation for Unknown Object Detection [13.249453757295083]
  本稿では,セマンティックセグメンテーションモデルのさらなる予測と信頼性の定量化を提案する。 本研究では,地域提案ネットワーク(RPN)が生成するオブジェクト提案を用いて,セマンティックセグメンテーションの精度評価を行う。 拡張オブジェクトの提案は、未知のオブジェクトカテゴリと未知のオブジェクトカテゴリの分類器をトレーニングするために使用される。
  論文  参考訳（メタデータ） (2021-11-25T01:53:05Z)
• Skeleton-Based Mutually Assisted Interacted Object Localization and Human Action Recognition [111.87412719773889]
  本研究では,骨格データに基づく「相互作用対象の局所化」と「人間の行動認識」のための共同学習フレームワークを提案する。 本手法は,人間の行動認識のための最先端の手法を用いて,最高の,あるいは競争的な性能を実現する。
  論文  参考訳（メタデータ） (2021-10-28T10:09:34Z)
• Learning Open-World Object Proposals without Learning to Classify [110.30191531975804]
  本研究では,各領域の位置と形状がどの接地トラストオブジェクトとどのように重なり合うかによって,各領域の目的性を純粋に推定する,分類不要なオブジェクトローカライゼーションネットワークを提案する。 この単純な戦略は一般化可能な対象性を学び、クロスカテゴリの一般化に関する既存の提案より優れている。
  論文  参考訳（メタデータ） (2021-08-15T14:36:02Z)
• Slender Object Detection: Diagnoses and Improvements [74.40792217534]
  本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。 古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
  論文  参考訳（メタデータ） (2020-11-17T09:39:42Z)
• Bounded Fuzzy Possibilistic Method of Critical Objects Processing in Machine Learning [0.0]
  ファジィ確率法(英: Fuzzy Possibilistic Method、BFPM)は、前者や分類法がメンバーシップの割り当てにおいて十分に考慮されていない様々な問題に対処する。 ファジィな方法では、オブジェクトのメンバシップは 1 にまとめるべきである。 BFPMは、オブジェクトの動き解析のための柔軟な検索空間を提供する。
  論文  参考訳（メタデータ） (2020-07-26T08:12:33Z)
• Interpretable and Accurate Fine-grained Recognition via Region Grouping [14.28113520947247]
  微粒な視覚認識のための解釈可能な深層モデルを提案する。 私たちの手法の中核は、ディープニューラルネットワーク内での領域ベースの部分発見と帰属の統合です。 本研究は,分類タスクの最先端手法と比較した。
  論文  参考訳（メタデータ） (2020-05-21T01:18:26Z)

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。