論文の概要: Generalizable and Actionable Parts Pose Estimation with Symmetry Annotation-Free Learning Strategy

• arxiv url: http://arxiv.org/abs/2605.17033v1
• Date: Sat, 16 May 2026 15:05:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.502277
• Title: Generalizable and Actionable Parts Pose Estimation with Symmetry Annotation-Free Learning Strategy
• Title（参考訳）: 対称性アノテーション自由学習戦略を用いた一般化可能かつ行動可能部分のポース推定
• Authors: Wenxiao Chen, Xueyu Yuan, Liu Liu, Di Wu, Dan Guo,
• Abstract要約: GAParts(Generalizable and Actionable Parts)の理解は、関連する研究者から注目を集めている。 我々は,新しい対称性であるSAFAGを提案する。 -一般化可能なアクション可能な部品推定のためのフリーフレームワーク。
• 参考スコア（独自算出の注目度）: 19.404679035184948
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Urgently needed generalizable robot object interaction and manipulation requires high-quality Cross-Category object perception. As a pioneer of this area, Generalizable and Actionable Parts (GAParts) understanding has attracted increasing attention from relevant researchers. However, most recent works either have insufficient design regarding the symmetry issue or require rich symmetry annotation, which severely impedes precise GAPart pose estimation in data-lacking scenarios. In this paper, we propose SAFAG, a novel Symmetry Annotation-Free framework for Generalizable and Actionable Parts Pose Estimation. Specifically, we suggest a stepwise refinement two-stage framework for candidate-to-final quaternion regression, and tackle the symmetry prediction as a probability distribution problem with self-supervised learning strategy. The experimental results demonstrate the superior performance and robustness of our SAFAG. We believe that our work has the enormous potential to be applied in many areas of embodied AI system.
• Abstract（参考訳）: 迅速な汎用可能なロボットオブジェクトの相互作用と操作には高品質なクロスカテゴリオブジェクト認識が必要である。 この領域の先駆者として、GAParts(Generalizable and Actionable Parts)の理解が、関連する研究者から注目を集めている。 しかし、最近の研究は、対称性の問題に関する設計が不十分であるか、リッチ対称性のアノテーションを必要とするかのいずれかであり、データラッキングシナリオにおける正確なGAPartのポーズ推定を著しく妨げている。 本稿では,SAFAG(Symmetry Annotation-Free framework for Generalizable and Actionable Parts Pose Estimation)を提案する。 具体的には, 確率分布問題として, 自己教師型学習戦略を用いた対称性予測に取り組むために, 段階的に改良された2段階のフレームワークを提案する。 実験の結果,SAFAGの優れた性能とロバスト性を示した。 私たちは、私たちの研究は、多くのエンボディドAIシステムに適用できる巨大な可能性を持っていると信じています。

関連論文リスト

• Beyond the Academic Monoculture: A Unified Framework and Industrial Perspective for Attributed Graph Clustering [75.50670592447219]
  分散グラフクラスタリング(AGC)は、構造トポロジとノード属性を共同でモデル化することによって、ノードを凝集性グループに分割する基本的な教師なしタスクである。 この調査は、3つの相補的な視点からAGCを包括的かつ工業的に基礎づけたレビューを提供する。
  論文  参考訳（メタデータ） (2026-03-21T14:15:34Z)
• Strategic Opponent Modeling with Graph Neural Networks, Deep Reinforcement Learning and Probabilistic Topic Modeling [2.233215416354843]
  本稿では,主にグラフニューラルネットワーク,深層強化学習,確率論的トピックモデリング手法について概説する。 我々は、現実世界のアプリケーションケースで非常によく見られる2つの特徴である不確実性と不均一性を扱う能力を分析します。 特定のオープンな課題、特に非定常環境に適合する必要性を特定します。
  論文  参考訳（メタデータ） (2025-11-13T17:06:56Z)
• The Coverage Principle: How Pre-Training Enables Post-Training [70.25788947586297]
  予備学習が最終モデルの成功をどう形作るかを検討する。 下流の性能予測におけるカバレッジのパワーを説明するメカニズムを明らかにする。
  論文  参考訳（メタデータ） (2025-10-16T17:53:50Z)
• Towards Size-invariant Salient Object Detection: A Generic Evaluation and Optimization Approach [118.75896764188424]
  本稿では,既存の広範に使用されているSalient Object Detectionメトリクスの固有サイズ感度を明らかにするために,新しい視点を示す。 この課題に対処するため、汎用的なサイズ不変評価(SIEva)フレームワークが提案されている。 さらに、サイズ不変の原理に固執する専用最適化フレームワーク(SIOpt)を開発し、幅広いサイズにわたる有能な物体の検出を大幅に強化する。
  論文  参考訳（メタデータ） (2025-09-19T04:12:14Z)
• Sparse Mixture-of-Experts for Compositional Generalization: Empirical Evidence and Theoretical Foundations of Optimal Sparsity [89.81738321188391]
  本研究では,SMoEモデルにおけるタスク複雑性と最適空間の関係について検討する。 最適な間隔は、最小限のアクティベーション(1-2専門家)とフルアクティベーションの間にあり、その正確な数はタスクの複雑さに比例する。
  論文  参考訳（メタデータ） (2024-10-17T18:40:48Z)
• Your Causal Self-Attentive Recommender Hosts a Lonely Neighborhood [25.74765016730563]
  両方向/自動符号化(AE)と一方向/自動回帰(AR)の注意機構の比較分析を行った。 理論解析を支援するため,5つのベンチマークでAE/ARの注目度を比較する実験を行った。 私たちは、パフォーマンスの高いセルフアテンティブなレコメンデーションのために、将来の設計選択に光を当てました。
  論文  参考訳（メタデータ） (2024-06-04T07:29:59Z)

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。