論文の概要: FAST GDRNPP: Improving the Speed of State-of-the-Art 6D Object Pose Estimation

• arxiv url: http://arxiv.org/abs/2409.12720v1
• Date: Wed, 18 Sep 2024 12:30:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 13:45:42.530737
• Title: FAST GDRNPP: Improving the Speed of State-of-the-Art 6D Object Pose Estimation
• Title（参考訳）: FAST GDRNPP: 最先端6次元オブジェクトポース推定の高速化
• Authors: Thomas Pöllabauer, Ashwin Pramod, Volker Knauthe, Michael Wahl,
• Abstract要約: 6Dオブジェクトのポーズ推定では、シーン内のオブジェクトの3次元の変換と回転を決定する。 現在のモデルでは、古典的モデルとディープラーニングベースのモデルの両方が、精度とレイテンシのトレードオフに悩まされることが多い。 モデルのサイズを減らし、推論時間を改善するために、いくつかの手法を用いる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 6D object pose estimation involves determining the three-dimensional translation and rotation of an object within a scene and relative to a chosen coordinate system. This problem is of particular interest for many practical applications in industrial tasks such as quality control, bin picking, and robotic manipulation, where both speed and accuracy are critical for real-world deployment. Current models, both classical and deep-learning-based, often struggle with the trade-off between accuracy and latency. Our research focuses on enhancing the speed of a prominent state-of-the-art deep learning model, GDRNPP, while keeping its high accuracy. We employ several techniques to reduce the model size and improve inference time. These techniques include using smaller and quicker backbones, pruning unnecessary parameters, and distillation to transfer knowledge from a large, high-performing model to a smaller, more efficient student model. Our findings demonstrate that the proposed configuration maintains accuracy comparable to the state-of-the-art while significantly improving inference time. This advancement could lead to more efficient and practical applications in various industrial scenarios, thereby enhancing the overall applicability of 6D Object Pose Estimation models in real-world settings.
• Abstract（参考訳）: 6Dオブジェクトのポーズ推定では、シーン内のオブジェクトの3次元の変換と回転を、選択された座標系と比較して決定する。 この問題は、品質管理、ビンピッキング、ロボット操作といった産業的タスクにおける多くの実践的応用において特に関心があり、実際の展開には速度と精度の両方が不可欠である。 現在のモデルでは、古典的モデルとディープラーニングベースのモデルの両方が、精度とレイテンシのトレードオフに悩まされることが多い。 本研究は,最先端のディープラーニングモデルであるGDRNPPの高速化と精度の向上に重点を置いている。 モデルのサイズを減らし、推論時間を改善するために、いくつかの手法を用いる。 これらの技術には、より小さく、より速いバックボーンの使用、不要なパラメータの刈り取り、蒸留により、大規模で高性能なモデルからより小さく、より効率的な学生モデルへの知識の伝達が含まれる。 その結果,提案手法の精度は現状に匹敵するが,推定時間は大幅に向上した。 この進歩により、様々な産業シナリオにおいてより効率的で実用的な応用が可能となり、現実の環境での6Dオブジェクトのポース推定モデルの適用性を高めることができる。

関連論文リスト

• Precise Pick-and-Place using Score-Based Diffusion Networks [10.760482305679053]
  ロボット操作タスクにおけるピック・アンド・プレイス操作の精度を高めるために、粗い連続ポーズ拡散法。 提案手法は,RGB-Dカメラから投影されるトップダウンのRGB画像を利用し,粗いアーキテクチャを採用する。
  論文  参考訳（メタデータ） (2024-09-15T13:09:09Z)
• Calib3D: Calibrating Model Preferences for Reliable 3D Scene Understanding [55.32861154245772]
  Calib3Dは3Dシーン理解モデルの信頼性をベンチマークし精査する先駆的な試みである。 10種類の3Dデータセットにわたる28の最先端モデルを評価した。 本稿では,3次元モデルのキャリブレーション向上を目的とした,深度対応のスケーリング手法であるDeptSを紹介する。
  論文  参考訳（メタデータ） (2024-03-25T17:59:59Z)
• Zero123-6D: Zero-shot Novel View Synthesis for RGB Category-level 6D Pose Estimation [66.3814684757376]
  本研究は,RGB 6Dのカテゴリレベルでのポーズ推定を向上するための拡散モデルに基づく新規ビュー合成器の実用性を示す最初の研究であるZero123-6Dを示す。 本手法は,データ要求の低減,ゼロショットカテゴリレベルの6Dポーズ推定タスクにおける深度情報の必要性の除去,およびCO3Dデータセットの実験により定量的に示された性能の向上を示す。
  論文  参考訳（メタデータ） (2024-03-21T10:38:18Z)
• Advancing 6D Pose Estimation in Augmented Reality -- Overcoming Projection Ambiguity with Uncontrolled Imagery [0.0]
  本研究では,拡張現実(AR)における正確な6次元ポーズ推定の課題に対処する。 本稿では,z軸変換と焦点長の推定を戦略的に分解する手法を提案する。 この手法は6次元ポーズ推定プロセスの合理化だけでなく、AR設定における3次元オブジェクトのオーバーレイの精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-03-20T09:22:22Z)
• EasyHeC: Accurate and Automatic Hand-eye Calibration via Differentiable Rendering and Space Exploration [49.90228618894857]
  我々は、マーカーレスでホワイトボックスであり、より優れた精度とロバスト性を提供するEasyHeCと呼ばれる手眼校正の新しいアプローチを導入する。 我々は,2つの重要な技術 – レンダリングベースのカメラポーズの最適化と整合性に基づく共同空間探索 – を利用することを提案する。 本評価は,合成および実世界のデータセットにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2023-05-02T03:49:54Z)
• DeepRM: Deep Recurrent Matching for 6D Pose Refinement [77.34726150561087]
  DeepRMは、6Dポーズ改善のための新しいリカレントネットワークアーキテクチャである。 アーキテクチャにはLSTMユニットが組み込まれ、各改善ステップを通じて情報を伝達する。 DeepRMは、2つの広く受け入れられている課題データセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-28T16:18:08Z)
• HRPose: Real-Time High-Resolution 6D Pose Estimation Network Using Knowledge Distillation [0.0]
  本稿では,高分解能6D Pose Estimation Network (HRPose) の有効かつ軽量なモデルを提案する。 モデルサイズと計算コストの33%しかありませんが、HRPoseは最先端モデルと比較して同等のパフォーマンスを実現しています。 広範に使用されているベンチマーク LINEMOD の数値実験により,提案した HRPose の最先端手法に対する優位性を実証した。
  論文  参考訳（メタデータ） (2022-04-20T12:43:39Z)
• VIPose: Real-time Visual-Inertial 6D Object Pose Tracking [3.44942675405441]
  本稿では,オブジェクトのポーズ追跡問題にリアルタイムに対処するために,VIPoseと呼ばれる新しいディープニューラルネットワーク(DNN)を提案する。 重要な貢献は、オブジェクトの相対的な6Dポーズを予測するために視覚的および慣性的特徴を融合する新しいDNNアーキテクチャの設計である。 このアプローチでは、最先端技術に匹敵する精度性能を示すが、リアルタイムであることにはさらなるメリットがある。
  論文  参考訳（メタデータ） (2021-07-27T06:10:23Z)
• Knowledge distillation: A good teacher is patient and consistent [71.14922743774864]
  最先端のパフォーマンスを実現する大規模モデルと、実用的な用途で手頃な価格のモデルとの間には、コンピュータビジョンの相違が増えている。 蒸留の有効性に大きな影響を及ぼす可能性のある,特定の暗黙的な設計選択を同定する。 ImageNetの最先端ResNet-50モデルが82.8%の精度で実現されている。
  論文  参考訳（メタデータ） (2021-06-09T17:20:40Z)
• se(3)-TrackNet: Data-driven 6D Pose Tracking by Calibrating Image Residuals in Synthetic Domains [12.71983073907091]
  本研究では,長期6次元ポーズトラッキングのためのデータ駆動型最適化手法を提案する。 本研究の目的は、現在のRGB-D観測と、前回の推定値と対象物のモデルに基づいて条件付けされた合成画像から、最適な相対的なポーズを特定することである。 提案手法は, 実画像を用いて訓練した場合でも, 常に頑健な評価を達成し, 代替品よりも優れる。
  論文  参考訳（メタデータ） (2020-07-27T21:09:36Z)
• CPS++: Improving Class-level 6D Pose and Shape Estimation From Monocular Images With Self-Supervised Learning [74.53664270194643]
  現代のモノクロ6Dポーズ推定手法は、少数のオブジェクトインスタンスにしか対応できない。 そこで本研究では,計量形状検索と組み合わせて,クラスレベルのモノクル6次元ポーズ推定手法を提案する。 1枚のRGB画像から正確な6Dポーズとメートル法形状を抽出できることを実験的に実証した。
  論文  参考訳（メタデータ） (2020-03-12T15:28:13Z)

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。