論文の概要: Advanced Object Detection and Pose Estimation with Hybrid Task Cascade and High-Resolution Networks

• arxiv url: http://arxiv.org/abs/2502.03877v1
• Date: Thu, 06 Feb 2025 08:48:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-07 14:32:38.469906
• Title: Advanced Object Detection and Pose Estimation with Hybrid Task Cascade and High-Resolution Networks
• Title（参考訳）: ハイブリットタスクカスケードと高分解能ネットワークを用いたオブジェクト検出とポース推定
• Authors: Yuhui Jin, Yaqiong Zhang, Zheyuan Xu, Wenqing Zhang, Jingyu Xu,
• Abstract要約: 本研究では,既存の6D-VNetフレームワークに基づく6次元オブジェクト検出とポーズ推定パイプラインを提案する。 HTCのマルチステージリファインメントプロセスとHRNetの高解像度表現能力の強みを活用することで,本手法は検出精度を大幅に向上し,推定精度を向上する。
• 参考スコア（独自算出の注目度）: 7.403403805442553
• License:
• Abstract: In the field of computer vision, 6D object detection and pose estimation are critical for applications such as robotics, augmented reality, and autonomous driving. Traditional methods often struggle with achieving high accuracy in both object detection and precise pose estimation simultaneously. This study proposes an improved 6D object detection and pose estimation pipeline based on the existing 6D-VNet framework, enhanced by integrating a Hybrid Task Cascade (HTC) and a High-Resolution Network (HRNet) backbone. By leveraging the strengths of HTC's multi-stage refinement process and HRNet's ability to maintain high-resolution representations, our approach significantly improves detection accuracy and pose estimation precision. Furthermore, we introduce advanced post-processing techniques and a novel model integration strategy that collectively contribute to superior performance on public and private benchmarks. Our method demonstrates substantial improvements over state-of-the-art models, making it a valuable contribution to the domain of 6D object detection and pose estimation.
• Abstract（参考訳）: コンピュータビジョンの分野では、ロボット工学、拡張現実、自律運転などの応用において、6Dオブジェクトの検出とポーズ推定が重要である。 従来の手法は、オブジェクトの検出と正確なポーズ推定を同時に行う際に、高い精度を達成するのに苦労することが多い。 本研究では,Hybrid Task Cascade (HTC) と High-Resolution Network (HRNet) のバックボーンを統合することで,既存の6D-VNetフレームワークに基づく6Dオブジェクトの検出とポーズ推定パイプラインを提案する。 HTCのマルチステージリファインメントプロセスとHRNetの高解像度表現能力の強みを活用することにより,本手法は検出精度を大幅に向上し,推定精度を向上する。 さらに,先進的なポストプロセッシング手法と,パブリックベンチマークやプライベートベンチマークのパフォーマンス向上に一括して貢献する新しいモデル統合戦略を導入する。 提案手法は最先端モデルよりも大幅に改善され,6次元オブジェクト検出とポーズ推定の領域に重要な貢献をする。

関連論文リスト

• 6DOPE-GS: Online 6D Object Pose Estimation using Gaussian Splatting [7.7145084897748974]
  1台のRGB-Dカメラで6Dオブジェクトのポーズを推定・追跡する新しい手法である6DOPE-GSを提案する。 その結果,6DOPE-GSはモデルレス同時ポーズトラッキングと再構築のための最先端ベースラインの性能と一致していることがわかった。 また,実世界の環境下での動的物体追跡と再構成のための手法の適合性を実証した。
  論文  参考訳（メタデータ） (2024-12-02T14:32:19Z)
• FAST GDRNPP: Improving the Speed of State-of-the-Art 6D Object Pose Estimation [0.0]
  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。
  論文  参考訳（メタデータ） (2024-09-18T12:30:02Z)
• ASDF: Assembly State Detection Utilizing Late Fusion by Integrating 6D Pose Estimation [5.117781843071097]
  医療・産業分野では、効率と安全性を確保するために、組み立てプロセスのガイダンスを提供することが重要である。 その場でのビジュアライゼーションを可能にするため、6次元のポーズ推定を利用して、拡張の正確な位置を特定することができる。 我々は,リアルタイム能動オブジェクト検出フレームワークであるYOLOv8の長所の上に構築し,アセンブリ状態検出と組み合わせて6次元ポーズ推定の課題に対処する。
  論文  参考訳（メタデータ） (2024-03-25T03:30:37Z)
• 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)
• Instance-aware Multi-Camera 3D Object Detection with Structural Priors Mining and Self-Boosting Learning [93.71280187657831]
  カメラによる鳥眼視(BEV)知覚パラダイムは、自律運転分野において大きな進歩を遂げている。 画像平面のインスタンス認識をBEV検出器内の深度推定プロセスに統合するIA-BEVを提案する。
  論文  参考訳（メタデータ） (2023-12-13T09:24:42Z)
• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• Rigidity-Aware Detection for 6D Object Pose Estimation [60.88857851869196]
  最近の6Dオブジェクトのポーズ推定方法は、最初にオブジェクト検出を使用して2Dバウンディングボックスを取得し、実際にポーズを回帰する。 本研究では,6次元ポーズ推定において対象物体が剛性であるという事実を利用した剛性認識検出手法を提案する。 このアプローチの成功の鍵となるのは可視性マップであり、これは境界ボックス内の各ピクセルとボックス境界の間の最小障壁距離を用いて構築することを提案する。
  論文  参考訳（メタデータ） (2023-03-22T09:02:54Z)
• FS6D: Few-Shot 6D Pose Estimation of Novel Objects [116.34922994123973]
  6Dオブジェクトポーズ推定ネットワークは、多数のオブジェクトインスタンスにスケールする能力に制限がある。 本研究では,未知の物体の6次元ポーズを,余分な訓練を伴わずにいくつかの支援ビューで推定する。
  論文  参考訳（メタデータ） (2022-03-28T10:31:29Z)
• Spatial Attention Improves Iterative 6D Object Pose Estimation [52.365075652976735]
  本稿では,RGB画像を用いた6次元ポーズ推定の改良手法を提案する。 私たちの主な洞察力は、最初のポーズ推定の後、オブジェクトの異なる空間的特徴に注意を払うことが重要です。 実験により,このアプローチが空間的特徴に順応することを学び,被写体の一部を無視することを学び,データセット間でのポーズ推定を改善することを実証した。
  論文  参考訳（メタデータ） (2021-01-05T17:18:52Z)
• Self6D: Self-Supervised Monocular 6D Object Pose Estimation [114.18496727590481]
  自己教師付き学習による単眼6次元ポーズ推定のアイデアを提案する。 ニューラルレンダリングの最近の進歩を活用して、注釈のない実RGB-Dデータのモデルをさらに自己監督する。
  論文  参考訳（メタデータ） (2020-04-14T13:16:36Z)
• Object 6D Pose Estimation with Non-local Attention [29.929911622127502]
  本研究では,オブジェクト検出フレームワークに6次元オブジェクトポーズパラメータ推定を組み込むネットワークを提案する。 提案手法は,YCB- VideoおよびLinemodデータセット上での最先端性能に到達する。
  論文  参考訳（メタデータ） (2020-02-20T14:23:32Z)

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。