論文の概要: Alignist: CAD-Informed Orientation Distribution Estimation by Fusing Shape and Correspondences

• arxiv url: http://arxiv.org/abs/2409.06683v2
• Date: Wed, 11 Sep 2024 16:29:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-12 13:13:20.753431
• Title: Alignist: CAD-Informed Orientation Distribution Estimation by Fusing Shape and Correspondences
• Title（参考訳）: Alignist: ハウジング形状と対応によるCADインフォームド配向分布推定
• Authors: Shishir Reddy Vutukur, Rasmus Laurvig Haugaard, Junwen Huang, Benjamin Busam, Tolga Birdal,
• Abstract要約: CADモデルを用いて得られた対応分布と形状情報の対称性を利用したポーズ分布推定手法を提案する。 我々の手法はより高速に収束し、全ての有効なモードの近くでよりシャープな分布を学習することに集中することで分布をよりよく学習する。
• 参考スコア（独自算出の注目度）: 27.788874594451283
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object pose distribution estimation is crucial in robotics for better path planning and handling of symmetric objects. Recent distribution estimation approaches employ contrastive learning-based approaches by maximizing the likelihood of a single pose estimate in the absence of a CAD model. We propose a pose distribution estimation method leveraging symmetry respecting correspondence distributions and shape information obtained using a CAD model. Contrastive learning-based approaches require an exhaustive amount of training images from different viewpoints to learn the distribution properly, which is not possible in realistic scenarios. Instead, we propose a pipeline that can leverage correspondence distributions and shape information from the CAD model, which are later used to learn pose distributions. Besides, having access to pose distribution based on correspondences before learning pose distributions conditioned on images, can help formulate the loss between distributions. The prior knowledge of distribution also helps the network to focus on getting sharper modes instead. With the CAD prior, our approach converges much faster and learns distribution better by focusing on learning sharper distribution near all the valid modes, unlike contrastive approaches, which focus on a single mode at a time. We achieve benchmark results on SYMSOL-I and T-Less datasets.
• Abstract（参考訳）: オブジェクトのポーズ分布の推定は、ロボット工学において、対称オブジェクトのより良い経路計画とハンドリングのために不可欠である。 近年の分布推定手法は,CADモデルが存在しない場合の1ポーズ推定確率を最大化することにより,コントラスト学習に基づくアプローチを採用している。 CADモデルを用いて得られた対応分布と形状情報の対称性を利用したポーズ分布推定手法を提案する。 対照的な学習に基づくアプローチは、現実的なシナリオでは不可能な分布を適切に学習するために、異なる視点からの訓練画像の総量を必要とする。 その代わり、CADモデルから対応分布と形状情報を活用できるパイプラインを提案し、後にポーズ分布を学習する。 さらに、画像に条件付けされたポーズ分布を学習する前に、対応に基づくポーズ分布へのアクセスは、分布間の損失を公式化するのに役立ちます。 配信に関する以前の知識は、ネットワークがよりシャープなモードに焦点を合わせるのにも役立ちます。 CADに先行して,本手法はより高速に収束し,一つのモードに焦点を絞った対照的な手法とは異なり,有効な全てのモードの近辺の分布を学習することで,より正確な分布を学習する。 SYMSOL-IおよびT-Lessデータセットのベンチマーク結果を得た。

関連論文リスト

• Patch-Based Diffusion Models Beat Whole-Image Models for Mismatched Distribution Inverse Problems [12.5216516851131]
  我々は、既知のトレーニング分布が最初に提供される場合の分布(OOD)問題について検討する。 パッチのみから画像分布を学習するパッチベースの拡散を事前に使用しています。 どちらの設定でも、パッチベースの手法は、画像全体のモデルより優れた高品質な画像再構成を得ることができる。
  論文  参考訳（メタデータ） (2024-10-15T16:02:08Z)
• A Distributional Analogue to the Successor Representation [54.99439648059807]
  本稿では,分散強化学習のための新しい手法を提案する。 学習プロセスにおける遷移構造と報酬のクリーンな分離を解明する。 実例として,ゼロショットリスクに敏感な政策評価が可能であることを示す。
  論文  参考訳（メタデータ） (2024-02-13T15:35:24Z)
• Dr. FERMI: A Stochastic Distributionally Robust Fair Empirical Risk Minimization Framework [12.734559823650887]
  分散シフトが存在する場合、公正な機械学習モデルはテストデータに対して不公平に振る舞うことがある。 既存のアルゴリズムはデータへの完全なアクセスを必要とし、小さなバッチを使用する場合には使用できない。 本稿では,因果グラフの知識を必要としない収束保証付き分布安定度フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-20T23:25:28Z)
• Towards a Better Theoretical Understanding of Independent Subnetwork Training [56.24689348875711]
  独立サブネットワークトレーニング(IST)の理論的考察 ISTは、上記の問題を解決するための、最近提案され、非常に効果的である。 圧縮通信を用いた分散手法など,ISTと代替手法の基本的な違いを同定する。
  論文  参考訳（メタデータ） (2023-06-28T18:14:22Z)
• SurfEmb: Dense and Continuous Correspondence Distributions for Object Pose Estimation with Learnt Surface Embeddings [2.534402217750793]
  データから物体表面上の密度の連続した2D-3D対応分布を学習する手法を提案する。 また,学習した分布を用いた剛体物体の6次元ポーズ推定手法を提案する。
  論文  参考訳（メタデータ） (2021-11-26T13:39:38Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Personalized Trajectory Prediction via Distribution Discrimination [78.69458579657189]
  トラリミー予測は将来の力学のマルチモーダルな性質を捉えるジレンマと対立する。 本研究では,パーソナライズされた動作パターンを予測するDisDisDis(Disdis)手法を提案する。 本手法は,プラグイン・アンド・プレイモジュールとして既存のマルチモーダル予測モデルと統合することができる。
  論文  参考訳（メタデータ） (2021-07-29T17:42:12Z)
• Graph Embedding with Data Uncertainty [113.39838145450007]
  スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。 ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
  論文  参考訳（メタデータ） (2020-09-01T15:08:23Z)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)
• Calibrated Adversarial Refinement for Stochastic Semantic Segmentation [5.849736173068868]
  本稿では,各予測に関連付けられた確率が,その根拠となる真偽の正しさを反映する,セマンティックマップ上の校正された予測分布を学習するための戦略を提案する。 マルチグレーダのLIDCデータセットと、注入曖昧さのあるCityscapesデータセットに対して、最先端の成果を達成し、アプローチの汎用性と堅牢性を実証する。 本研究は,おもちゃの回帰データセットを用いて実験することにより,校正された予測分布の学習を必要とする他のタスクにコア設計を適用することができることを示す。
  論文  参考訳（メタデータ） (2020-06-23T16:39:59Z)

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。