論文の概要: ZeroPose: CAD-Prompted Zero-shot Object 6D Pose Estimation in Cluttered Scenes

• arxiv url: http://arxiv.org/abs/2305.17934v3
• Date: Sun, 29 Sep 2024 05:56:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-01 22:00:02.348217
• Title: ZeroPose: CAD-Prompted Zero-shot Object 6D Pose Estimation in Cluttered Scenes
• Title（参考訳）: ZeroPose:CADでプロンプトしたゼロショットオブジェクトの6Dポス推定
• Authors: Jianqiu Chen, Zikun Zhou, Mingshan Sun, Tianpeng Bao, Rui Zhao, Liwei Wu, Zhenyu He,
• Abstract要約: ZeroPoseは、Discovery-Orientation-Registration (DOR)推論パイプラインに従ってポーズ推定を行う、新しいフレームワークである。 モデルの再トレーニングを必要とせずに、新しいオブジェクトに一般化する。 オブジェクト固有のトレーニング手法と同等の性能を達成し、50倍の推論速度向上で最先端のゼロショット法より優れている。
• 参考スコア（独自算出の注目度）: 19.993163470302097
• License:
• Abstract: Many robotics and industry applications have a high demand for the capability to estimate the 6D pose of novel objects from the cluttered scene. However, existing classic pose estimation methods are object-specific, which can only handle the specific objects seen during training. When applied to a novel object, these methods necessitate a cumbersome onboarding process, which involves extensive dataset preparation and model retraining. The extensive duration and resource consumption of onboarding limit their practicality in real-world applications. In this paper, we introduce ZeroPose, a novel zero-shot framework that performs pose estimation following a Discovery-Orientation-Registration (DOR) inference pipeline. This framework generalizes to novel objects without requiring model retraining. Given the CAD model of a novel object, ZeroPose enables in seconds onboarding time to extract visual and geometric embeddings from the CAD model as a prompt. With the prompting of the above embeddings, DOR can discover all related instances and estimate their 6D poses without additional human interaction or presupposing scene conditions. Compared with existing zero-shot methods solved by the render-and-compare paradigm, the DOR pipeline formulates the object pose estimation into a feature-matching problem, which avoids time-consuming online rendering and improves efficiency. Experimental results on the seven datasets show that ZeroPose as a zero-shot method achieves comparable performance with object-specific training methods and outperforms the state-of-the-art zero-shot method with 50x inference speed improvement.
• Abstract（参考訳）: 多くのロボティクスや産業用アプリケーションは、散らかったシーンから新しい物体の6Dポーズを推定する能力に高い需要がある。 しかし、既存の古典的なポーズ推定手法はオブジェクト固有であり、トレーニング中に見られる特定のオブジェクトのみを扱うことができる。 新たなオブジェクトに適用する場合、これらのメソッドは、広範囲なデータセットの準備とモデル再トレーニングを含む、面倒なオンボーディングプロセスを必要とする。 搭載期間と資源消費は、実世界の応用において実用性を制限している。 本稿では,DOR(Discovery-Orientation-Registration)推論パイプラインに従ってポーズ推定を行うゼロショットフレームワークであるZeroPoseを紹介する。 このフレームワークは、モデルの再トレーニングを必要とせずに、新しいオブジェクトに一般化する。 新規物体のCADモデルを考えると、ZeroPoseは数秒でCADモデルから視覚的および幾何学的埋め込みを抽出することができる。 上記の埋め込みの促進により、DORは関連するすべてのインスタンスを発見し、追加のヒューマンインタラクションやシーン条件を仮定することなく、それらの6Dポーズを推定できる。 レンダリング・アンド・コンパレートのパラダイムによって解決された既存のゼロショット法と比較して、DORパイプラインはオブジェクトのポーズ推定を特徴マッチング問題に定式化し、時間を要するオンラインレンダリングを回避し、効率を向上する。 7つのデータセットの実験結果から、ゼロショット法としてZeroPoseは、オブジェクト固有のトレーニング手法と同等のパフォーマンスを達成し、50倍の推論速度向上で最先端のゼロショット法より優れていることが示された。

関連論文リスト

• NeuSurfEmb: A Complete Pipeline for Dense Correspondence-based 6D Object Pose Estimation without CAD Models [34.898217885820614]
  CADモデルを必要とせず、入力として少数の実画像のみを必要とする最先端のポーズ推定器を訓練できるパイプラインを提案する。 提案手法は,Structure-from-Motion (SfM) とオブジェクトに依存しないセグメンテーションに基づいて,半自動で学習するNeuS2オブジェクト表現に基づいている。 提案手法をLINEMOD-Occlusionデータセット上で評価し,各コンポーネントの影響を広範囲に検討し,CADモデルとPBRデータに基づくアプローチによる競合性能を示す。
  論文  参考訳（メタデータ） (2024-07-16T22:48:22Z)
• FoundationPose: Unified 6D Pose Estimation and Tracking of Novel Objects [55.77542145604758]
  FoundationPoseは、6Dオブジェクトのポーズ推定と追跡のための統合基盤モデルである。 我々のアプローチは、微調整なしで、テスト時に新しいオブジェクトに即座に適用できる。
  論文  参考訳（メタデータ） (2023-12-13T18:28:09Z)
• 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)
• OnePose++: Keypoint-Free One-Shot Object Pose Estimation without CAD Models [51.68715543630427]
  OnePoseは繰り返し可能なイメージキーポイントの検出に依存しているので、低テクスチャオブジェクトで失敗する傾向がある。 繰り返し可能なキーポイント検出の必要性を取り除くために,キーポイントフリーポーズ推定パイプラインを提案する。 2D-3Dマッチングネットワークは、クエリ画像と再構成されたポイントクラウドモデルとの間の2D-3D対応を直接確立する。
  論文  参考訳（メタデータ） (2023-01-18T17:47:13Z)
• MegaPose: 6D Pose Estimation of Novel Objects via Render & Compare [84.80956484848505]
  MegaPoseは、トレーニング中に見えない新しいオブジェクトの6Dポーズを推定する方法である。 本稿では,新しいオブジェクトに適用可能なR&Compare戦略に基づく6次元ポーズリファインダを提案する。 第2に,合成レンダリングと同一物体の観察画像間のポーズ誤差をリファインダで補正できるか否かを分類するために訓練されたネットワークを利用する,粗いポーズ推定のための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-12-13T19:30:03Z)
• Semantic keypoint-based pose estimation from single RGB frames [64.80395521735463]
  一つのRGB画像からオブジェクトの連続6-DoFポーズを推定する手法を提案する。 このアプローチは、畳み込みネットワーク(convnet)によって予測されるセマンティックキーポイントと、変形可能な形状モデルを組み合わせる。 提案手法は,インスタンスベースのシナリオとクラスベースのシナリオの両方に対して,6-DoFオブジェクトのポーズを正確に復元できることを示す。
  論文  参考訳（メタデータ） (2022-04-12T15:03:51Z)
• Zero-Shot Category-Level Object Pose Estimation [24.822189326540105]
  ゼロショット方式で新しい対象カテゴリーのポーズを推定する問題に取り組む。 これは、ポーズラベル付きデータセットやカテゴリ固有のCADモデルの必要性を取り除くことで、既存の文献の多くを拡張します。 本手法は平均回転精度を30度で6倍改善する。
  論文  参考訳（メタデータ） (2022-04-07T17:58:39Z)
• Leveraging SE(3) Equivariance for Self-Supervised Category-Level Object Pose Estimation [30.04752448942084]
  カテゴリーレベルのオブジェクトポーズ推定は、オブジェクトCADモデルにアクセスすることなく、既知のカテゴリから未確認のオブジェクトインスタンスの6Dオブジェクトポーズを見つけることを目的としている。 本研究では,1つの3次元点群からカテゴリレベルの6次元オブジェクトのポーズを推定する自己教師型学習フレームワークを初めて提案する。
  論文  参考訳（メタデータ） (2021-10-30T06:46:44Z)
• Spatial Attention Improves Iterative 6D Object Pose Estimation [52.365075652976735]
  本稿では,RGB画像を用いた6次元ポーズ推定の改良手法を提案する。 私たちの主な洞察力は、最初のポーズ推定の後、オブジェクトの異なる空間的特徴に注意を払うことが重要です。 実験により,このアプローチが空間的特徴に順応することを学び,被写体の一部を無視することを学び,データセット間でのポーズ推定を改善することを実証した。
  論文  参考訳（メタデータ） (2021-01-05T17:18:52Z)

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。