論文の概要: Category-Agnostic Pose Estimation for Point Clouds

• arxiv url: http://arxiv.org/abs/2403.07437v1
• Date: Tue, 12 Mar 2024 09:28:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 22:25:53.105976
• Title: Category-Agnostic Pose Estimation for Point Clouds
• Title（参考訳）: 点雲のカテゴリー非依存ポス推定
• Authors: Bowen Liu, Wei Liu, Siang Chen, Pengwei Xie and Guijin Wang
• Abstract要約: オブジェクトポーズ推定の目標は、RGB-D入力における特定のオブジェクトのポーズを視覚的に決定することである。 インスタンスベースとカテゴリベースの両方のメソッドは、目に見えないカテゴリの未確認オブジェクトを扱うことができない。 本稿では,カテゴリ情報を必要とせずに点雲のポーズ推定のための幾何学的特徴を導入する手法を提案する。
• 参考スコア（独自算出の注目度）: 16.485852775220152
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The goal of object pose estimation is to visually determine the pose of a specific object in the RGB-D input. Unfortunately, when faced with new categories, both instance-based and category-based methods are unable to deal with unseen objects of unseen categories, which is a challenge for pose estimation. To address this issue, this paper proposes a method to introduce geometric features for pose estimation of point clouds without requiring category information. The method is based only on the patch feature of the point cloud, a geometric feature with rotation invariance. After training without category information, our method achieves as good results as other category-based methods. Our method successfully achieved pose annotation of no category information instances on the CAMERA25 dataset and ModelNet40 dataset.
• Abstract（参考訳）: オブジェクトポーズ推定の目標は、RGB-D入力における特定のオブジェクトのポーズを視覚的に決定することである。 残念ながら、新しいカテゴリに直面した場合、インスタンスベースとカテゴリベースの両方のメソッドは、目に見えないカテゴリのオブジェクトを扱うことができない。 この問題に対処するために,カテゴリ情報を必要としない点雲のポーズ推定のための幾何学的特徴を導入する手法を提案する。 この方法は、回転不変性を持つ幾何学的特徴である点雲のパッチ特徴のみに基づく。 カテゴリー情報のない学習では,他のカテゴリベース手法と同様に良い結果が得られる。 提案手法は,CAMERA25データセットとModelNet40データセットのカテゴリ情報インスタンスのポーズアノテーションを成功させた。

関連論文リスト

• A Graph-Based Approach for Category-Agnostic Pose Estimation [12.308036453869033]
  任意のオブジェクトカテゴリに対するキーポイントのローカライズを可能にするために、カテゴリに依存しないポーズ推定(CAPE)を導入した。 本稿では、入力ポーズデータをグラフとして扱うことにより、キーポイントを独立したエンティティとして扱う従来のCAPE技術との大きな違いを示す。 提案手法は1ショット設定で0.98%向上し,CAPEの新たな最先端を実現する。
  論文  参考訳（メタデータ） (2023-11-29T18:44:12Z)
• Semantic-Promoted Debiasing and Background Disambiguation for Zero-Shot Instance Segmentation [13.001629605405954]
  Zero-shotインスタンスセグメンテーションは、トレーニングサンプルを使わずに、目に見えないカテゴリのオブジェクトを検出し、正確にセグメンテーションすることを目的としている。 セマンティック・プロモート・デバイアスと背景曖昧化を併用したD$2$Zeroを提案する。 背景の曖昧さは、背景に対する新しいオブジェクトの誤認を避けるために、画像適応的な背景表現を生成する。
  論文  参考訳（メタデータ） (2023-05-22T16:00:01Z)
• 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)
• TTA-COPE: Test-Time Adaptation for Category-Level Object Pose Estimation [86.80589902825196]
  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。
  論文  参考訳（メタデータ） (2023-03-29T14:34:54Z)
• Pose for Everything: Towards Category-Agnostic Pose Estimation [93.07415325374761]
  Category-Agnostic Pose Estimation (CAPE) は、キーポイント定義を持つ少数のサンプルのみを与えられた任意の種類のオブジェクトのポーズを検出することができるポーズ推定モデルを作成することを目的としている。 異なるキーポイント間のインタラクションと、サポートとクエリイメージの関係をキャプチャするために、トランスフォーマーベースのキーポイントインタラクションモジュール(KIM)を提案する。 また、20K以上のインスタンスを含む100のオブジェクトカテゴリの2次元ポーズデータセットであるMP-100データセットを導入し、CAPEアルゴリズムの開発に適している。
  論文  参考訳（メタデータ） (2022-07-21T09:40:54Z)
• 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)
• Category-Agnostic 6D Pose Estimation with Conditional Neural Processes [19.387280883044482]
  未知物体の6次元ポーズ推定のためのメタラーニング手法を提案する。 本アルゴリズムは,オブジェクトの表現をカテゴリに依存しない方法で学習し,オブジェクトカテゴリをまたいだ強力な一般化機能を実現する。
  論文  参考訳（メタデータ） (2022-06-14T20:46:09Z)
• 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)
• 3D Object Classification on Partial Point Clouds: A Practical Perspective [91.81377258830703]
  点雲は3次元オブジェクト分類において一般的な形状表現である。 本稿では,任意のポーズの下でオブジェクトインスタンスの部分点雲を分類する実践的な設定を提案する。 本稿では,アライメント分類手法による新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-18T04:00:56Z)
• Point-Set Anchors for Object Detection, Instance Segmentation and Pose Estimation [85.96410825961966]
  中心点から抽出された画像の特徴は、離れたキーポイントや境界ボックスの境界を予測するための限られた情報を含んでいると論じる。 推論を容易にするために,より有利な位置に配置された点集合からの回帰を行うことを提案する。 我々は、オブジェクト検出、インスタンス分割、人間のポーズ推定にPoint-Set Anchorsと呼ばれるこのフレームワークを適用した。
  論文  参考訳（メタデータ） (2020-07-06T15:59:56Z)

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。