論文の概要: Open-Set Object Recognition Using Mechanical Properties During Interaction

• arxiv url: http://arxiv.org/abs/2311.01540v1
• Date: Thu, 2 Nov 2023 18:50:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-06 16:17:17.953107
• Title: Open-Set Object Recognition Using Mechanical Properties During Interaction
• Title（参考訳）: 相互作用中の機械的特性を用いたオープンセット物体認識
• Authors: Pakorn Uttayopas, Xiaoxiao Cheng, Etienne Burdet
• Abstract要約: 我々は、機械的特性を用いたオープンセット認識フレームワークを提案し、既知のオブジェクトを再構成し、新しいオブジェクトを漸進的にラベル付けした。 主な貢献はクラスタリングアルゴリズムであり、既知のオブジェクトの知識を利用してクラスタの中心とサイズを推定する。
• 参考スコア（独自算出の注目度）: 1.6651146574124565
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: while most of the tactile robots are operated in close-set conditions, it is challenging for them to operate in open-set conditions where test objects are beyond the robots' knowledge. We proposed an open-set recognition framework using mechanical properties to recongise known objects and incrementally label novel objects. The main contribution is a clustering algorithm that exploits knowledge of known objects to estimate cluster centre and sizes, unlike a typical algorithm that randomly selects them. The framework is validated with the mechanical properties estimated from a real object during interaction. The results show that the framework could recognise objects better than alternative methods contributed by the novelty detector. Importantly, our clustering algorithm yields better clustering performance than other methods. Furthermore, the hyperparameters studies show that cluster size is important to clustering results and needed to be tuned properly.
• Abstract（参考訳）: 触覚ロボットのほとんどがクローズセット条件で操作されているが、テスト対象がロボットの知識を超えているオープンセット条件では運用が困難である。 そこで我々は,機械特性を用いたオープンセット認識フレームワークを提案し,既知の物体を推定し,新しい物体を漸進的にラベル付けする。 主な貢献は、ランダムに選択する典型的なアルゴリズムとは異なり、既知のオブジェクトの知識を利用してクラスタの中心とサイズを推定するクラスタリングアルゴリズムである。 このフレームワークは、相互作用中に実際の物体から推定される機械的特性で検証される。 その結果, このフレームワークは, 新規検出器が提案する代替手法よりも, 物体を認識できることがわかった。 我々のクラスタリングアルゴリズムは他の手法よりも優れたクラスタリング性能が得られる。 さらに、ハイパーパラメーターの研究により、クラスタリング結果にはクラスタサイズが重要であり、適切に調整する必要があることが示された。

関連論文リスト

• Keypoint Abstraction using Large Models for Object-Relative Imitation Learning [78.92043196054071]
  多様なタスクや環境にまたがる新しいオブジェクト構成やインスタンスへの一般化は、ロボット工学において重要な課題である。 キーポイントに基づく表現は、本質的なオブジェクトキャプチャ機能のための簡潔な表現として有効であることが証明されている。 本稿では,タスク関連およびクロスインスタンス整合性キーポイントの自動生成に,大規模な事前学習型視覚言語モデルを活用するフレームワークであるKALMを提案する。
  論文  参考訳（メタデータ） (2024-10-30T17:37:31Z)
• Interactive Learning of Physical Object Properties Through Robot Manipulation and Database of Object Measurements [20.301193437161867]
  このフレームワークは、テーブル上のオブジェクトに関する学習を最大化する探索的なアクション選択を含む。 ロボットパイプラインは、ロギングモジュールとオブジェクトのオンラインデータベースと統合されており、グリッパーが異なる63のオブジェクトの24,000以上の計測結果を含んでいる。
  論文  参考訳（メタデータ） (2024-04-10T20:59:59Z)
• 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)
• SalienDet: A Saliency-based Feature Enhancement Algorithm for Object Detection for Autonomous Driving [160.57870373052577]
  未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。 我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。 オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
  論文  参考訳（メタデータ） (2023-05-11T16:19:44Z)
• Local Region-to-Region Mapping-based Approach to Classify Articulated Objects [2.3848738964230023]
  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。
  論文  参考訳（メタデータ） (2023-05-10T18:08:04Z)
• Seeking the Truth Beyond the Data. An Unsupervised Machine Learning Approach [0.0]
  クラスタリングは、ラベルのない要素/オブジェクトがグループ化される、教師なしの機械学習方法論である。 この記事では、最も広く使われているクラスタリング手法について詳しく説明する。 3つのデータセットに基づいて、これらのアルゴリズムのクラスタリング効率の比較を強調している。
  論文  参考訳（メタデータ） (2022-07-14T14:22:36Z)
• Complex-Valued Autoencoders for Object Discovery [62.26260974933819]
  本稿では,オブジェクト中心表現に対する分散アプローチとして,複合オートエンコーダを提案する。 このシンプルで効率的なアプローチは、単純なマルチオブジェクトデータセット上の等価な実数値オートエンコーダよりも、より良い再構成性能を実現することを示す。 また、2つのデータセット上のSlotAttentionモデルと競合しないオブジェクト発見性能を実現し、SlotAttentionが失敗する第3のデータセットでオブジェクトをアンタングルする。
  論文  参考訳（メタデータ） (2022-04-05T09:25:28Z)
• Contrastive Object Detection Using Knowledge Graph Embeddings [72.17159795485915]
  一つのホットアプローチで学習したクラス埋め込みの誤差統計と、自然言語処理や知識グラフから意味的に構造化された埋め込みを比較した。 本稿では,キーポイントベースおよびトランスフォーマーベースオブジェクト検出アーキテクチャの知識埋め込み設計を提案する。
  論文  参考訳（メタデータ） (2021-12-21T17:10:21Z)
• KnAC: an approach for enhancing cluster analysis with background knowledge and explanations [0.20999222360659603]
  我々はKnAC(Knowledge Augmented Clustering)を紹介します。 KnACは任意のクラスタリングアルゴリズムの拡張として機能し、アプローチを堅牢でモデルに依存しないものにすることができる。
  論文  参考訳（メタデータ） (2021-12-16T10:13:47Z)
• 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)
• Point-Set Kernel Clustering [11.093960688450602]
  本稿では,オブジェクトとオブジェクトの集合との類似性を計算する,ポイントセットカーネルと呼ばれる新しい類似度尺度を提案する。 新たなクラスタリング手法は,大規模データセットを扱えるように,効率的かつ効率的であることを示す。
  論文  参考訳（メタデータ） (2020-02-14T00:00:03Z)

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。