Notice bibliographique
Résumé
The vision and robotics communities have developed different methods for object pose estimation, all of which have their disadvantages and advantages. A popular method saves all possible object model images from different viewpoints and their 2D-to-3D correspondences in database off-line. Then local feature matching is applied between the current view and the model images in the database. For the top matched image, the approach of a PnP algorithm followed by RANSAC is used to estimate object pose. Such a method has good accuracy, but lacks efficiency, consuming O(MN2) time where N and M are the number of features in a model and the number of models, respectively. To tackle this problem, we propose a method that improves the efficiency in two ways. First, we employ a hierarchical clustering method to find the proper number of model images to represent each object, leading to a decrease in M. Second, a coase-to-fine object pose estimation method is proposed, to decrease the time to find the best matching model image. Specifically, in the coarse step, given an image, the most similar model image is retrieved using a global image descriptor, which we compute using a pre-trained deep neural network. Then in the fine step, a local descriptor feature matching method is applied to find matching keypoints between current image and the model image found in the coarse step. Finally, with pre-registered 2D-to-3D correspondences for each model, an accurate object pose is calculated using the PnP and RANSAC approach. The performance of our method is evaluated on the Amazon Picking Challenge dataset.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».