文献

J-GLOBAL ID：201702282591766825   整理番号：17A0020719

高密度対応付けのための自己管理視覚記述子学習【Powered by NICT】

Self-Supervised Visual Descriptor Learning for Dense Correspondence

著者 (3件)： Schmidt Tanner (Department of Computer Science and Engineering, University of Washington, Seattle, WA, USA) ,  Newcombe Richard (Oculus Research, Redmond, WA, USA) ,  Fox Dieter (Department of Computer Science and Engineering, University of Washington, Seattle, WA, USA)
資料名： IEEE Robotics and Automation Letters  (IEEE Robotics and Automation Letters)
巻： 2  号： 2  ページ： 420-427  発行年： 2017年 
JST資料番号： W2448A  ISSN： 2377-3766  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 画像ピクセル間の対応付けのロバスト推定はロボット工学で重要な問題であり,追跡,マッピングおよび物体,環境,および他の薬剤の認識への応用。対応推定は,設計された特徴のドメインされてきたが,より最近の深層学習技術は,生データからの学習特徴のための強力なツールを提供した。後者の方法の欠点は,(標識,典型的には)訓練データの膨大な量は,学習に必要であるということである。本論文では,著者らは強い三次元生成モデルの力を活用するRGB-Dビデオデータの対応を自動的に密な対応推定のための視覚的記述子を学習する新しい手法を提唱した。完全畳込みネットワークは,視点および照明不変記述子を生成する対照的な損失を用いて訓練した。証明概念として,著者らは二データセットを収集した:第一は大きく変化した環境における同一人の胴上部および頭部を示し,第二は再編成された物体との複数日にみたオフィスを示した。著者らのデータセットは,同じ物体と環境の再検討に焦点を当て,局所追跡データのみからCNNを訓練することにより,我々の学習された視覚記述子は,ビデオを横切る非標識対応を同定するための一般化したことを示した。さらに記述子学習に対する提案アプローチは,訓練時間で同じシーンの別々のビデオ間の対応を同定する,ラベルを用いないMSR7つのシーンデータセット上で最先端技術レベルの単一フレーム位置決め結果を達成するために使用できることを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *学習 ,  位置決め ,  畳込み ,  三次元 ,  *視覚 ,  録画装置 ,  画素 ,  *統制索引語 ,  ロバスト推定 ,  不変性
準シソーラス用語： 生成モデル ,  訓練データ ,  深層学習 ,  ロボット工学 ,  *高密度 , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 対応付け ,  自己管理 ,  視覚 ,  記述子 ,  学習