論文の概要: OP-Align: Object-level and Part-level Alignment for Self-supervised Category-level Articulated Object Pose Estimation

• arxiv url: http://arxiv.org/abs/2408.16547v1
• Date: Thu, 29 Aug 2024 14:10:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-30 13:33:01.503096
• Title: OP-Align: Object-level and Part-level Alignment for Self-supervised Category-level Articulated Object Pose Estimation
• Title（参考訳）: OP-Align: 自己教師付きカテゴリーレベルのArticulated Object Pose推定のためのオブジェクトレベルと部分レベルアライメント
• Authors: Yuchen Che, Ryo Furukawa, Asako Kanezaki,
• Abstract要約: カテゴリーレベルの調音オブジェクトのポーズ推定は、既知のカテゴリ内の未知の調音オブジェクトのポーズ推定に焦点を当てる。 本稿では,この課題を解決するために,単一フレームの点群を利用した新たな自己教師型アプローチを提案する。 我々のモデルは、入力対象全体に対する標準ポーズとジョイントステートを連続的に生成する。
• 参考スコア（独自算出の注目度）: 7.022004731560844
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Category-level articulated object pose estimation focuses on the pose estimation of unknown articulated objects within known categories. Despite its significance, this task remains challenging due to the varying shapes and poses of objects, expensive dataset annotation costs, and complex real-world environments. In this paper, we propose a novel self-supervised approach that leverages a single-frame point cloud to solve this task. Our model consistently generates reconstruction with a canonical pose and joint state for the entire input object, and it estimates object-level poses that reduce overall pose variance and part-level poses that align each part of the input with its corresponding part of the reconstruction. Experimental results demonstrate that our approach significantly outperforms previous self-supervised methods and is comparable to the state-of-the-art supervised methods. To assess the performance of our model in real-world scenarios, we also introduce a new real-world articulated object benchmark dataset.
• Abstract（参考訳）: カテゴリーレベルの調音オブジェクトのポーズ推定は、既知のカテゴリ内の未知の調音オブジェクトのポーズ推定に焦点を当てる。 その重要性にもかかわらず、オブジェクトのさまざまな形状とポーズ、高価なデータセットアノテーションコスト、複雑な現実世界環境のために、このタスクは依然として困難である。 本稿では,この課題を解決するために,単一フレームの点群を利用した新たな自己教師型アプローチを提案する。 本モデルでは,入力対象全体の標準的ポーズとジョイントステートとを連続的に生成し,全体のポーズのばらつきを低減させるオブジェクトレベルのポーズと,入力の各部分を対応する部分と整合させる部分レベルのポーズを推定する。 実験により,本手法は従来の自己監督手法よりも有意に優れており,最先端指導手法に匹敵するものであることが示された。 実世界のシナリオにおけるモデルの性能を評価するため、我々は新しい実世界のオブジェクトベンチマークデータセットも導入した。

関連論文リスト

• Zero-Shot Object-Centric Representation Learning [72.43369950684057]
  ゼロショット一般化のレンズによる現在の対象中心法について検討する。 8つの異なる合成および実世界のデータセットからなるベンチマークを導入する。 多様な実世界の画像のトレーニングにより、見えないシナリオへの転送性が向上することがわかった。
  論文  参考訳（メタデータ） (2024-08-17T10:37:07Z)
• 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)
• GenPose: Generative Category-level Object Pose Estimation via Diffusion Models [5.1998359768382905]
  カテゴリーレベルのオブジェクトポーズ推定を条件付き生成モデルとして再検討することで,新しい解を提案する。 提案手法は,厳密な5d2cmおよび5d5cmの計測値に対して50%と60%を越え,REAL275データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-06-18T11:45:42Z)
• Neural Constraint Satisfaction: Hierarchical Abstraction for Combinatorial Generalization in Object Rearrangement [75.9289887536165]
  基礎となるエンティティを明らかにするための階層的抽象化手法を提案する。 本研究では,エージェントのモデルにおける実体の状態の介入と,環境中の物体に作用する状態の対応関係を学習する方法を示す。 この対応を利用して、オブジェクトの異なる数や構成に一般化する制御法を開発する。
  論文  参考訳（メタデータ） (2023-03-20T18:19:36Z)
• Self-Supervised Category-Level Articulated Object Pose Estimation with Part-Level SE(3) Equivariance [33.10167928198986]
  カテゴリーレベルの調音オブジェクトポーズ推定は、未知の調音オブジェクトの調音オブジェクトポーズの階層を既知のカテゴリから推定することを目的としている。 我々は,人間ラベルを使わずにこの問題を解決する,新たな自己管理戦略を提案する。
  論文  参考訳（メタデータ） (2023-02-28T03:02:11Z)
• Discovering Objects that Can Move [55.743225595012966]
  手動ラベルなしでオブジェクトを背景から分離する、オブジェクト発見の問題について検討する。 既存のアプローチでは、色、テクスチャ、位置などの外観の手がかりを使用して、ピクセルをオブジェクトのような領域に分類する。 私たちは、動的オブジェクト -- 世界で独立して動くエンティティ -- にフォーカスすることを選びます。
  論文  参考訳（メタデータ） (2022-03-18T21:13:56Z)
• Towards Self-Supervised Category-Level Object Pose and Size Estimation [121.28537953301951]
  本研究は,一深度画像からのカテゴリレベルのオブジェクトポーズとサイズ推定のための自己教師型フレームワークを提案する。 我々は、同じ形状の点雲における幾何学的整合性を利用して自己超越する。
  論文  参考訳（メタデータ） (2022-03-06T06:02:30Z)
• Salient Objects in Clutter [130.63976772770368]
  本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。 この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。 我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
  論文  参考訳（メタデータ） (2021-05-07T03:49:26Z)

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。