特定物体認識と姿勢推定のマルチタスク学習のための適応的な損失統合

細野峻司; 星ゆうな; 早瀬和也; 島村潤

文献

J-GLOBAL ID：202102246208285412 整理番号：21A0057960

特定物体認識と姿勢推定のマルチタスク学習のための適応的な損失統合

Object Instance Recognition and 3D Pose Estimation Learning with Adaptive Loss Balancing

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=21A0057960&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=21A0057960&from=J-GLOBAL&jstjournalNo=U0473A") }}

著者 (4件)： , , ,
資料名：
巻： J103-D 号： 12 ページ： 929-940 (WEB ONLY) 発行年： 2020年12月01日
JST資料番号： U0473A ISSN： 1881-0225 資料種別：逐次刊行物 (A)
記事区分：原著論文発行国：日本 (JPN) 言語：日本語 (JA)

画像に写る物体種別の特定とその三次元姿勢の推定は,ロボットによる物体把持等への応用が期待されている.このタスクは,物体種別と姿勢情報が付与された画像データベースからの画像検索で解くことができる.従来手法の中でも精度の高いものは,画像検索用の特徴抽出CNNを,表現学習と姿勢推定でマルチタスク学習している.一般に,マルチタスク学習では,CNNにとっての各タスク難度に応じて,各タスクの損失の統合度合(統合重み)調整することで精度が向上する.特定物体認識とポーズ推定の場合,両タスク難度は物体の模様や形状に依存するため,タスク難度は物体ごとに異なると考えらえる.しかしながら,従来法では物体間で画一的に統合重みを決定しており,物体間のタスク難度差を考慮できず,精度向上の余地がある.そこで本研究では,統合重みを物体ごとに決定する学習法を提案する.提案手法では,学習過程における損失の変化量に基づきタスク難度の推定及び統合重みの決定を行う従来法を,物体ごとのタスク難度を考慮できるよう拡張する.実験では,LineMODデータセットにおいて,提案手法により,特定物体認識と姿勢推定双方の精度が向上することを示す.(著者抄録)

, , , , , , , , ,
, , , , , ,

パターン認識

引用文献 (29件)：

P. Wohlhart and V. Lepetit, “Learning descriptors for object recognition and 3D pose estimation,” IEEE Conf. Comput. Vis. Pattern Recognit., pp.3109-3118, 2015.
W. Kehl, F. Milletari, F. Tombari, S. Ilic, and N. Navab, “Deep learning of local RGB-D patches for 3D object detection and 6D pose estimation,” European Conf. Comput. Vis., pp.205-220, 2016.
S. Zakharov, W. Kehl, B. Planche, A. Hutter, and S. Ilic, “3D object instance recognition and pose estimation using triplet loss with dynamic margin,” Proc. IEEE/RS Int. Conf. Intelligent Robots and Systems, pp.552-559, 2017.
V. Balntas, A. Doumanoglou, C. Sahin, J. Sock, R. Kouskouridas, and T. Kim, “Pose guided RGBD feature learning for 3D object pose estimation,” IEEE Int. Conf. Comput. Vis., pp.3876-3884, 2017.
M. Bui, S. Zakharov, S. Albarqouni, S. Ilic, and N. Navab, “When regression meets manifold learning for object recognition and pose estimation,” IEEE Int Conf. Robotics and Automation, pp.6140-6146, 2018.

, , , , ,

前のページに戻る