論文の概要: Domain Generalization for In-Orbit 6D Pose Estimation

• arxiv url: http://arxiv.org/abs/2406.11743v1
• Date: Mon, 17 Jun 2024 17:01:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-18 13:33:44.829741
• Title: Domain Generalization for In-Orbit 6D Pose Estimation
• Title（参考訳）: In-Orbit 6D Pose 推定のための領域一般化
• Authors: Antoine Legrand, Renaud Detry, Christophe De Vleeschouwer,
• Abstract要約: 宇宙船のポーズ推定ネットワークのための,エンドツーエンドのニューラルベースアーキテクチャを提案する。 提案手法はドメインギャップを効果的に閉鎖し,SPEED+データセット上で最先端の精度を実現する。
• 参考スコア（独自算出の注目度）: 14.624172952608653
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We address the problem of estimating the relative 6D pose, i.e., position and orientation, of a target spacecraft, from a monocular image, a key capability for future autonomous Rendezvous and Proximity Operations. Due to the difficulty of acquiring large sets of real images, spacecraft pose estimation networks are exclusively trained on synthetic ones. However, because those images do not capture the illumination conditions encountered in orbit, pose estimation networks face a domain gap problem, i.e., they do not generalize to real images. Our work introduces a method that bridges this domain gap. It relies on a novel, end-to-end, neural-based architecture as well as a novel learning strategy. This strategy improves the domain generalization abilities of the network through multi-task learning and aggressive data augmentation policies, thereby enforcing the network to learn domain-invariant features. We demonstrate that our method effectively closes the domain gap, achieving state-of-the-art accuracy on the widespread SPEED+ dataset. Finally, ablation studies assess the impact of key components of our method on its generalization abilities.
• Abstract（参考訳）: 我々は、将来の自律型レンデブー・近接操作における重要な機能であるモノクロ画像から、ターゲット宇宙船の位置と向きの相対的な6Dポーズを推定する問題に対処する。 大量の実画像を取得するのが難しいため、宇宙船のポーズ推定ネットワークは合成画像にのみ訓練されている。 しかし、これらの画像は軌道で遭遇する照明条件を捉えないため、ポーズ推定ネットワークは領域ギャップの問題に直面している。 私たちの研究は、このドメインギャップを埋める方法を紹介します。 これは、新しい、エンドツーエンドのニューラルベースアーキテクチャと、新しい学習戦略に依存している。 この戦略は、マルチタスク学習とアグレッシブデータ拡張ポリシを通じて、ネットワークのドメイン一般化能力を向上し、ドメイン不変の機能を学ぶようにネットワークを強制する。 提案手法はドメインギャップを効果的に閉鎖し,SPEED+データセット上で最先端の精度を実現する。 最後に、アブレーション研究は、我々の手法の鍵成分が一般化能力に与える影響を評価する。

関連論文リスト

• Domain-Controlled Prompt Learning [49.45309818782329]
  既存の素早い学習方法はドメイン認識やドメイン転送機構を欠いていることが多い。 特定のドメインに対するtextbfDomain-Controlled Prompt Learningを提案する。 本手法は,特定の領域画像認識データセットにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-09-30T02:59:49Z)
• Deep face recognition with clustering based domain adaptation [57.29464116557734]
  そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。 本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
  論文  参考訳（メタデータ） (2022-05-27T12:29:11Z)
• Discovering Spatial Relationships by Transformers for Domain Generalization [8.106918528575267]
  ドメインの一般化は、コンピュータビジョンにおけるAI技術の迅速な開発のおかげで難しい問題である。 ほとんどの高度なアルゴリズムは畳み込みニューラルネット(CNN)に基づくディープアーキテクチャによって提案されている。
  論文  参考訳（メタデータ） (2021-08-23T10:35:38Z)
• Self-Supervised Learning of Domain Invariant Features for Depth Estimation [35.74969527929284]
  単一画像深度推定のための教師なし合成-現実的領域適応の課題に対処する。 単一画像深度推定の重要なビルディングブロックはエンコーダ・デコーダ・タスク・ネットワークであり、RGB画像を入力とし、出力として深度マップを生成する。 本稿では,タスクネットワークにドメイン不変表現を自己教師型で学習させる新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2021-06-04T16:45:48Z)
• Few-shot Image Generation via Cross-domain Correspondence [98.2263458153041]
  限られた例を含む対象領域におけるGANなどの生成モデルの訓練は、容易に過度な適合をもたらす。 本研究では,多様性情報をソースからターゲットにプリトレーニングし,転送するために,大きなソースドメインを活用することを目指す。 さらに,オーバーフィッティングを減らすために,潜在空間内の異なる領域に対して異なるレベルのリアリズムを奨励するアンカーベースの戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-13T17:59:35Z)
• Joint Learning of Neural Transfer and Architecture Adaptation for Image Recognition [77.95361323613147]
  現在の最先端の視覚認識システムは、大規模データセット上でニューラルネットワークを事前トレーニングし、より小さなデータセットでネットワーク重みを微調整することに依存している。 本稿では,各ドメインタスクに適応したネットワークアーキテクチャの動的適応と,効率と効率の両面で重みの微調整の利点を実証する。 本手法は,ソースドメインタスクでスーパーネットトレーニングを自己教師付き学習に置き換え,下流タスクで線形評価を行うことにより,教師なしパラダイムに容易に一般化することができる。
  論文  参考訳（メタデータ） (2021-03-31T08:15:17Z)
• Physically-Constrained Transfer Learning through Shared Abundance Space for Hyperspectral Image Classification [14.840925517957258]
  本稿では、ソースとターゲットドメイン間のギャップを埋める新しい転送学習手法を提案する。 提案手法は,共有空間を経由した物理制約付き移動学習と呼ばれる。
  論文  参考訳（メタデータ） (2020-08-19T17:41:37Z)
• Focus on defocus: bridging the synthetic to real domain gap for depth estimation [9.023847175654602]
  我々は、ドメイン不変デフォーカスブラーを直接監督として利用することで、合成現実のドメインギャップを埋める問題に取り組む。 我々は、焦点の異なる画像の違いからネットワークが学習することを奨励する置換不変畳み込みニューラルネットワークを使用することで、デフォーカスの手がかりを活用する。 我々は、合成データに基づいてモデルを完全にトレーニングし、それを広範囲の現実世界の画像に直接適用することができる。
  論文  参考訳（メタデータ） (2020-05-19T17:52:37Z)
• Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
  教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。 教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。 我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
  論文  参考訳（メタデータ） (2020-03-29T09:03:23Z)
• CrDoCo: Pixel-level Domain Transfer with Cross-Domain Consistency [119.45667331836583]
  教師なしのドメイン適応アルゴリズムは、あるドメインから学んだ知識を別のドメインに転送することを目的としている。 本稿では,新しい画素単位の対向領域適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-09T19:00:35Z)

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。