Semi-supervised learning approach for localization and pose estimation of texture-less objects in cluttered scenes
Notice bibliographique
Résumé
3D object recognition and 6D pose estimation are crucial and fundamental endeavours for industrial assembly line automation such as robotic controlled pick-and-place. While the problem on textured objects is extensively studied, it is still an open research topic for texture-less industrial parts, e.g, solid cylinder and hollow tube, which are symmetric and appear similar in shapes from many viewing perspectives, causing pose ambiguity. Also, the industrial assembly line environment is usually cluttered and the captured data is noisy, which makes this task even more challenging. In this paper, we propose a novel object localization and pose estimation technique using RGB images and depth maps of industrial assembly parts. Our segmentation model is fully morphological and unsupervised for localizing the region of interest containing the target object extracted from the depth map. Our segmentation technique is effective in the presence of partial occlusion, multiple objects, and cluttered scenes. We use a model based approach for object recognition based on Stochastic Gradient Descent trained on features of Histogram of Oriented Gradients (HOG) and invariant moments of the region of interest containing the target object. We generate synthetic training images automatically from the CAD models of the industrial parts. We use a contour matching strategy based on Dynamic Time Warping (DTW) algorithm to estimate the optimal 6D pose of the object from a set of candidates. Experimental results show that our proposed approach competes and demonstrates advantages on the challenging T-LESS dataset compared to the state-of-the-art methods.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».