論文の概要: Generalizing 6-DoF Grasp Detection via Domain Prior Knowledge

• arxiv url: http://arxiv.org/abs/2404.01727v1
• Date: Tue, 2 Apr 2024 08:33:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-03 17:28:41.385689
• Title: Generalizing 6-DoF Grasp Detection via Domain Prior Knowledge
• Title（参考訳）: ドメイン優先知識による6-DoFグラフ検出の一般化
• Authors: Haoxiang Ma, Modi Shi, Boyang Gao, Di Huang,
• Abstract要約: 本稿では,6-DoFグリップ検出法の一般化能力に着目した。 我々は、ロボットの把握に関するドメイン事前知識を取り入れ、大きな形状と構造の違いを持つ物体への適応性を向上する。 GraspNet-1billionベンチマークで実施された実験は、新しいオブジェクトセットに対してかなりのパフォーマンス向上を示した。
• 参考スコア（独自算出の注目度）: 19.95246635620319
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We focus on the generalization ability of the 6-DoF grasp detection method in this paper. While learning-based grasp detection methods can predict grasp poses for unseen objects using the grasp distribution learned from the training set, they often exhibit a significant performance drop when encountering objects with diverse shapes and structures. To enhance the grasp detection methods' generalization ability, we incorporate domain prior knowledge of robotic grasping, enabling better adaptation to objects with significant shape and structure differences. More specifically, we employ the physical constraint regularization during the training phase to guide the model towards predicting grasps that comply with the physical rule on grasping. For the unstable grasp poses predicted on novel objects, we design a contact-score joint optimization using the projection contact map to refine these poses in cluttered scenarios. Extensive experiments conducted on the GraspNet-1billion benchmark demonstrate a substantial performance gain on the novel object set and the real-world grasping experiments also demonstrate the effectiveness of our generalizing 6-DoF grasp detection method.
• Abstract（参考訳）: 本稿では,6-DoFグリップ検出手法の一般化能力に着目した。 学習に基づくグリップ検出手法は、学習セットから学習したグリップ分布を用いて、未知の物体に対するグリップポーズを予測できるが、様々な形状や構造を持つ物体に遭遇した場合、顕著な性能低下を示すことがしばしばある。 つかみ検出手法の一般化能力を高めるため,ロボットのつかみに関するドメイン事前知識を取り入れ,形状や構造の違いの大きい物体への適応性を向上した。 より具体的には、トレーニング期間中の物理的な制約正則化を用いて、把握の物理規則に準拠する把握を予測するためのモデルを導出する。 新規な物体に予測される不安定なグリップポーズに対して,投影接点マップを用いた接触スコア共同最適化を設計し,これらのポーズを散らかしたシナリオで洗練する。 GraspNet-1billionベンチマークで行った大規模な実験は、新しいオブジェクトセットに対してかなりの性能向上を示し、実世界のグリップ実験は、一般化した6-DoFグリップ検出法の有効性も示している。

関連論文リスト

• Effort: Efficient Orthogonal Modeling for Generalizable AI-Generated Image Detection [66.16595174895802]
  既存のAI生成画像(AIGI)検出手法は、しばしば限定的な一般化性能に悩まされる。 本稿では、AIGI検出において、これまで見過ごされてきた重要な非対称性現象を同定する。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [58.60915132222421]
  本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。 フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。 設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
  論文  参考訳（メタデータ） (2024-08-23T01:53:36Z)
• GenFlow: Generalizable Recurrent Flow for 6D Pose Refinement of Novel Objects [14.598853174946656]
  我々は、新しいオブジェクトへの精度と一般化を可能にするアプローチであるGenFlowを提案する。 提案手法は, レンダリング画像と観察画像との間の光学的流れを予測し, 6次元ポーズを反復的に洗練する。 3次元形状の制約と、エンドツーエンドの微分システムから学習した一般化可能な幾何学的知識により、性能を向上させる。
  論文  参考訳（メタデータ） (2024-03-18T06:32:23Z)
• HandyPriors: Physically Consistent Perception of Hand-Object Interactions with Differentiable Priors [45.75318635639419]
  我々は、人間と物体の相互作用シーンにおけるポーズ推定のための統一的で汎用的なパイプラインであるHandyPriorsを提案する。 提案手法では,入力画像やセグメンテーションマスクのレンダリング先と物理前のレンダリング先とを併用し,フレーム間の浸透と相対スライディングを緩和する。 我々は,HandyPriorsがポーズ推定タスクにおいて同等あるいは優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-11-28T06:42:44Z)
• Spatio-temporal predictive tasks for abnormal event detection in videos [60.02503434201552]
  オブジェクトレベルの正規化パターンを学習するための制約付きプレテキストタスクを提案する。 我々のアプローチは、ダウンスケールの視覚的クエリとそれに対応する正常な外観と運動特性のマッピングを学習することである。 いくつかのベンチマークデータセットの実験では、異常の局所化と追跡のためのアプローチの有効性が示されている。
  論文  参考訳（メタデータ） (2022-10-27T19:45:12Z)
• Domain Adaptation with Adversarial Training on Penultimate Activations [82.9977759320565]
  教師なし領域適応(Unsupervised Domain Adaptation, UDA)の重要な目的は、ラベルなし対象データに対するモデル予測の信頼性を高めることである。 我々は,この戦略が,入力画像や中間特徴に対する敵対的訓練よりも予測信頼性を高める目的と,より効率的で相関性が高いことを示す。
  論文  参考訳（メタデータ） (2022-08-26T19:50:46Z)
• Object-centric and memory-guided normality reconstruction for video anomaly detection [56.64792194894702]
  本稿では,ビデオ監視における異常検出問題に対処する。 異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。 我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
  論文  参考訳（メタデータ） (2022-03-07T19:28:39Z)
• Instance Localization for Self-supervised Detection Pretraining [68.24102560821623]
  インスタンスローカリゼーションと呼ばれる,新たな自己監視型プリテキストタスクを提案する。 境界ボックスを事前学習に組み込むことで、より優れたタスクアライメントとアーキテクチャアライメントが促進されることを示す。 実験結果から, オブジェクト検出のための最先端の転送学習結果が得られた。
  論文  参考訳（メタデータ） (2021-02-16T17:58:57Z)
• Deep Optimized Priors for 3D Shape Modeling and Reconstruction [38.79018852887249]
  3Dモデリングと再構築のための新しい学習フレームワークを紹介します。 提案手法は,事前訓練によって制約された障壁を効果的に破壊することを示す。
  論文  参考訳（メタデータ） (2020-12-14T03:56:31Z)

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。