論文の概要: Shape Completion with Prediction of Uncertain Regions
- arxiv url: http://arxiv.org/abs/2308.00377v1
- Date: Tue, 1 Aug 2023 08:40:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-02 15:02:35.057632
- Title: Shape Completion with Prediction of Uncertain Regions
- Title（参考訳）: 不確実領域予測による形状完了
- Authors: Matthias Humt, Dominik Winkelbauer, Ulrich Hillenbrand
- Abstract要約: 特に、曖昧な対象ビューが与えられたとき、対象部分全体の存在について、拡張された領域に既約不確実性が存在する可能性がある。
本研究では,局所的な空間占有率を予測する手法の任意の拡張法として,そのような不確実な領域を予測するための2つの新しい手法を提案する。
我々は、このデータセットをトレーニングし、既知の、新しいオブジェクトインスタンスに対する不確実な領域の形状の完了と予測において、各メソッドをテストする。
- 参考スコア（独自算出の注目度）: 4.689234879218989
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Shape completion, i.e., predicting the complete geometry of an object from a
partial observation, is highly relevant for several downstream tasks, most
notably robotic manipulation. When basing planning or prediction of real grasps
on object shape reconstruction, an indication of severe geometric uncertainty
is indispensable. In particular, there can be an irreducible uncertainty in
extended regions about the presence of entire object parts when given ambiguous
object views. To treat this important case, we propose two novel methods for
predicting such uncertain regions as straightforward extensions of any method
for predicting local spatial occupancy, one through postprocessing occupancy
scores, the other through direct prediction of an uncertainty indicator. We
compare these methods together with two known approaches to probabilistic shape
completion. Moreover, we generate a dataset, derived from ShapeNet, of
realistically rendered depth images of object views with ground-truth
annotations for the uncertain regions. We train on this dataset and test each
method in shape completion and prediction of uncertain regions for known and
novel object instances and on synthetic and real data. While direct uncertainty
prediction is by far the most accurate in the segmentation of uncertain
regions, both novel methods outperform the two baselines in shape completion
and uncertain region prediction, and avoiding the predicted uncertain regions
increases the quality of grasps for all tested methods. Web:
https://github.com/DLR-RM/shape-completion
- Abstract（参考訳）: 形状完了、すなわち、部分的な観察から物体の完全な形状を予測することは、いくつかの下流タスク、特にロボット操作に非常に関係がある。
物体形状復元における実把握の計画や予測を行う場合,重度の幾何学的不確かさの表示は不可欠である。
特に、あいまいなオブジェクトビューが与えられた場合、オブジェクト部分全体に関する拡張領域において、既約不確実性が存在する可能性がある。
そこで本研究では,不確かさインジケータの直接予測により,地域空間占有率の予測手法の直接的な拡張として,不確かさ領域を予測する2つの新しい手法を提案する。
これらの手法を確率的形状完了のための2つの既知のアプローチと比較する。
さらに,不確実領域に対する地中アノテーションを用いたオブジェクトビューの奥行き画像から,シェープネットから派生したデータセットを生成する。
このデータセットをトレーニングし、既知の、新しいオブジェクトインスタンスおよび合成および実データに対する不確実な領域の形状完了と予測において各手法をテストする。
直接不確実性予測は, 不確かさ領域のセグメンテーションにおいて, はるかに精度が高いが, 両手法は, 整形および不確かさ領域予測において2つの基準線を上回り, 予測不確実性領域を避けることにより, 全ての試験方法の把握精度が向上する。
Web: https://github.com/DLR-RM/shape-completion
関連論文リスト
- Distribution-Free Conformal Joint Prediction Regions for Neural Marked Temporal Point Processes [4.324839843326325]
我々は、共形予測の枠組みを用いて、ニューラルTPPモデルにおける不確実性に対するより信頼性の高い手法を開発した。
主な目的は、イベントの到着時刻とマークに対する分布自由な共同予測領域を生成し、有限サンプルの限界カバレッジを保証することである。
論文 参考訳（メタデータ） (2024-01-09T15:28:29Z) - Topology-Aware Uncertainty for Image Segmentation [19.248891926246383]
このようなタスクに対する不確実性の推定に重点を置いているので、人間のアノテータが検証できるように、非常に不確実でエラーを起こしやすい構造を特定できる。
本稿では,隣接する構造物を考慮に入れながら構造物の不確かさを推定する共同予測モデルを提案する。
また,各構造に固有の不確かさをモデル化する新しい確率的DMTを提案する。
論文 参考訳（メタデータ） (2023-06-09T05:01:55Z) - Pixel-wise Gradient Uncertainty for Convolutional Neural Networks
applied to Out-of-Distribution Segmentation [0.43512163406552007]
本稿では,推定時に効率よく計算できる画素単位の損失勾配から不確実点を求める手法を提案する。
本実験は,提案手法が誤った画素分類を識別し,無視可能な計算オーバーヘッドで予測品質を推定する能力を示す。
論文 参考訳（メタデータ） (2023-03-13T08:37:59Z) - Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose
Estimation [70.32536356351706]
本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。
ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。
本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
論文 参考訳（メタデータ） (2022-03-29T07:14:58Z) - NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural
Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。
種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文 参考訳（メタデータ） (2022-02-07T12:30:45Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。
本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。
私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
論文 参考訳（メタデータ） (2021-10-04T17:59:31Z) - Estimating and Exploiting the Aleatoric Uncertainty in Surface Normal
Estimation [25.003116148843525]
単一画像からの表面正規化は3次元シーン理解において重要な課題である。
本稿では,既存手法で共有されている2つの制約,すなわち,アレータリック不確実性を推定できないこと,および予測における詳細性の欠如に対処する。
本稿では,推定不確実性に基づいて,画素単位のパーセプトロンをサンプルとするデコーダフレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-20T23:30:04Z) - Confidence Adaptive Anytime Pixel-Level Recognition [86.75784498879354]
任意の時間推論は、いつでも停止される可能性のある予測の進行を行うモデルを必要とする。
我々は,任意のピクセルレベルの認識に対して,最初の統一とエンドツーエンドのモデルアプローチを提案する。
論文 参考訳（メタデータ） (2021-04-01T20:01:57Z) - Probabilistic Deep Learning for Instance Segmentation [9.62543698736491]
提案手法は,提案不要なインスタンスセグメンテーションモデルにおけるモデル独立不確実性推定値を得るための汎用的な手法である。
本手法は,BBBC010 C. elegansデータセットを用いて評価し,競合性能を示す。
論文 参考訳（メタデータ） (2020-08-24T19:51:48Z) - Refined Plane Segmentation for Cuboid-Shaped Objects by Leveraging Edge
Detection [63.942632088208505]
本稿では,セグメント化された平面マスクを画像に検出されたエッジと整列するための後処理アルゴリズムを提案する。
これにより、立方体形状の物体に制限を加えながら、最先端のアプローチの精度を高めることができます。
論文 参考訳（メタデータ） (2020-03-28T18:51:43Z)
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。