Fugu-MT 論文翻訳(概要): Uncertainty Quantification with Deep Ensembles for 6D Object Pose Estimation

論文の概要: Uncertainty Quantification with Deep Ensembles for 6D Object Pose Estimation

arxiv url: http://arxiv.org/abs/2403.07741v1
Date: Tue, 12 Mar 2024 15:19:25 GMT
ステータス: 処理完了
システム内更新日: 2024-03-13 21:05:22.919198
Title: Uncertainty Quantification with Deep Ensembles for 6D Object Pose Estimation
Title（参考訳）: 6次元物体姿勢推定のための深部アンサンブルによる不確かさの定量化
Authors: Kira Wursthorn, Markus Hillemann, Markus Ulrich
Abstract要約: 深層アンサンブルを用いた多段6次元オブジェクトポーズ推定手法の不確かさを定量化する手法を提案する。実装において、SurfEmbを代表として選択する。これは、最も優れた6Dオブジェクトのポーズ推定手法の1つである。
参考スコア（独自算出の注目度）: 4.788163807490197
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The estimation of 6D object poses is a fundamental task in many computer vision applications. Particularly, in high risk scenarios such as human-robot interaction, industrial inspection, and automation, reliable pose estimates are crucial. In the last years, increasingly accurate and robust deep-learning-based approaches for 6D object pose estimation have been proposed. Many top-performing methods are not end-to-end trainable but consist of multiple stages. In the context of deep uncertainty quantification, deep ensembles are considered as state of the art since they have been proven to produce well-calibrated and robust uncertainty estimates. However, deep ensembles can only be applied to methods that can be trained end-to-end. In this work, we propose a method to quantify the uncertainty of multi-stage 6D object pose estimation approaches with deep ensembles. For the implementation, we choose SurfEmb as representative, since it is one of the top-performing 6D object pose estimation approaches in the BOP Challenge 2022. We apply established metrics and concepts for deep uncertainty quantification to evaluate the results. Furthermore, we propose a novel uncertainty calibration score for regression tasks to quantify the quality of the estimated uncertainty.
Abstract（参考訳）: 6Dオブジェクトのポーズの推定は多くのコンピュータビジョンアプリケーションにおいて基本的なタスクである。特に、人間とロボットの相互作用、産業検査、自動化といった高いリスクシナリオでは、信頼できるポーズ推定が不可欠である。近年,6次元物体ポーズ推定のための高精度でロバストなディープラーニング手法が提案されている。多くのトップパフォーマンスメソッドはエンドツーエンドのトレーニングはできないが、複数のステージで構成される。深い不確かさの定量化の文脈において、深いアンサンブルは、適切に調整され、ロバストな不確実性推定を生成することが証明されているため、芸術の状況と見なされている。しかし、ディープアンサンブルはエンドツーエンドでトレーニングできるメソッドにのみ適用できる。本研究では,深層アンサンブルを用いた多段6次元オブジェクトポーズ推定手法の不確かさを定量化する手法を提案する。 BOPチャレンジ2022において、最も優れた6Dオブジェクトポーズ推定手法の1つであるため、SurfEmbを代表として採用する。結果を評価するために、確立されたメトリクスと概念を深い不確実性定量化に適用する。さらに,推定不確実性の品質を定量化するための回帰課題に対する新しい不確実性校正スコアを提案する。

関連論文リスト

MaskVal: Simple but Effective Uncertainty Quantification for 6D Pose Estimation [0.0]
6次元ポーズ推定において,MaskValと呼ぶ簡易かつ効果的な不確実性定量化について検討する。その単純さにもかかわらず、MaskValは、データセットとロボットのセットアップの両方で最先端のアンサンブル法を大幅に上回っている。我々は,MaskValを用いて,最先端の6Dポーズ推定器の性能を安全かつ信頼性の高い操作に向けて大幅に改善したことを示す。
論文参考訳（メタデータ） (2024-09-05T14:17:01Z)
Modeling the Uncertainty with Maximum Discrepant Students for Semi-supervised 2D Pose Estimation [57.17120203327993]
半教師付きポーズ推定タスクにおける擬似ラベルの品質を推定する枠組みを提案する。提案手法は,3つのデータセットに対する半教師付きポーズ推定の性能を向上させる。
論文参考訳（メタデータ） (2023-11-03T08:11:06Z)
Learning to Estimate 6DoF Pose from Limited Data: A Few-Shot, Generalizable Approach using RGB Images [60.0898989456276]
本稿では,数ショットの6DoFポーズ推定のためのCas6Dという新しいフレームワークを提案する。極めて少数の設定で対象物検出の偽陽性に対処するために,本フレームワークでは,自己教師付き事前学習型ViTを用いて,ロバストな特徴表現を学習する。 LINEMODとGenMOPデータセットの実験結果は、Cas6Dが32ショット設定で最先端の手法を9.2%、精度3.8%(Proj-5)で上回ることを示した。
論文参考訳（メタデータ） (2023-06-13T07:45:42Z)
Rigidity-Aware Detection for 6D Object Pose Estimation [60.88857851869196]
最近の6Dオブジェクトのポーズ推定方法は、最初にオブジェクト検出を使用して2Dバウンディングボックスを取得し、実際にポーズを回帰する。本研究では,6次元ポーズ推定において対象物体が剛性であるという事実を利用した剛性認識検出手法を提案する。このアプローチの成功の鍵となるのは可視性マップであり、これは境界ボックス内の各ピクセルとボックス境界の間の最小障壁距離を用いて構築することを提案する。
論文参考訳（メタデータ） (2023-03-22T09:02:54Z)
Ki-Pode: Keypoint-based Implicit Pose Distribution Estimation of Rigid Objects [1.209625228546081]
本稿では,新しいポーズ分布推定法を提案する。オブジェクトのポーズ上の確率分布の暗黙的な定式化は、キーポイントの集合としてのオブジェクトの中間表現から導かれる。本手法は,YCB-VおよびT-LESSデータセット上での回転分布推定のタスクに基づいて評価されている。
論文参考訳（メタデータ） (2022-09-20T11:59:05Z)
Instance-specific 6-DoF Object Pose Estimation from Minimal Annotations [6.24717069374781]
本稿では,単一のRGB画像からオブジェクトの連続6-DoFポーズを推定するためのパイプラインを高速に訓練し,デプロイする方法を提案する。キーとなるアイデアは、既知のカメラのポーズと剛体形状を利用して、大きなラベル付きデータセットの生成を部分的に自動化することだ。データセットは十分なドメインランダム化とともに、セマンティックキーポイントを予測するためのディープニューラルネットワークのトレーニングを監督するために使用される。
論文参考訳（メタデータ） (2022-07-27T03:00:28Z)
BayesCap: Bayesian Identity Cap for Calibrated Uncertainty in Frozen Neural Networks [50.15201777970128]
本研究では,凍結モデルに対するベイズIDマッピングを学習し,不確実性の推定を可能にするBayesCapを提案する。 BayesCapは、元のデータセットのごく一部でトレーニングできる、メモリ効率のよいメソッドである。本稿では,多種多様なアーキテクチャを用いた多種多様なタスクに対する本手法の有効性を示す。
論文参考訳（メタデータ） (2022-07-14T12:50:09Z)
Unseen Object 6D Pose Estimation: A Benchmark and Baselines [62.8809734237213]
本稿では,新しい物体の6次元ポーズ推定をアルゴリズムで行えるようにするための新しいタスクを提案する。実画像と合成画像の両方でデータセットを収集し、テストセットで最大48個の未確認オブジェクトを収集する。エンド・ツー・エンドの3D対応ネットワークをトレーニングすることにより、未確認物体と部分ビューRGBD画像との対応点を高精度かつ効率的に見つけることができる。
論文参考訳（メタデータ） (2022-06-23T16:29:53Z)
An Uncertainty Estimation Framework for Probabilistic Object Detection [5.83620245905973]
本稿では,物体検出における不確実性を推定する2つの一般的な手法を組み合わせた新しい手法を提案する。我々のフレームワークは、予測の不確実性を近似するために、深いアンサンブルとモンテカルロのドロップアウトを利用する。
論文参考訳（メタデータ） (2021-06-28T22:29:59Z)
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)
REDE: End-to-end Object 6D Pose Robust Estimation Using Differentiable Outliers Elimination [15.736699709454857]
RGB-Dデータを用いた新しいエンドツーエンドオブジェクトポーズ推定器REDEを提案する。また,候補結果と信頼度を同時に抑制する相違可能な外乱除去手法を提案する。 3つのベンチマークデータセットの実験結果は、REDEが最先端のアプローチをわずかに上回っていることを示している。
論文参考訳（メタデータ） (2020-10-24T06:45:39Z)

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。