[논문]Category-Level Metric Scale Object Shape and Pose Estimation

Lee, Taeyeop; Lee, Byeong-Uk; Kim, Myungchul; Kweon, In So

doi:10.1109/lra.2021.3110538

[해외논문] Category-Level Metric Scale Object Shape and Pose Estimation 원문보기

IEEE robotics and automation letters, v.6 no.4, 2021년, pp.8575 - 8582

Lee, Taeyeop (KAIST, Robotics and Computer Vision Laboratory, Daejeon, Republic of Korea) , Lee, Byeong-Uk (KAIST, Robotics and Computer Vision Laboratory, Daejeon, Republic of Korea) , Kim, Myungchul (KAIST, Robotics and Computer Vision Laboratory, Daejeon, Republic of Korea) , Kweon, In So

Abstract ▼ AI-Helper

Advances in deep learning recognition have led to accurate object detection with 2D images. However, these 2D perception methods are insufficient for complete 3D world information. Concurrently, advanced 3D shape estimation approaches focus on the shape itself, without considering metric scale. These methods cannot determine the accurate location and orientation of objects. To tackle this problem, we propose a framework that jointly estimates a metric scale shape and pose from a single RGB image. Our framework has two branches: the Metric Scale Object Shape branch (MSOS) and the Normalized Object Coordinate Space branch (NOCS). The MSOS branch estimates the metric scale shape observed in the camera coordinates. The NOCS branch predicts the normalized object coordinate space (NOCS) map and performs similarity transformation with the rendered depth map from a predicted metric scale mesh to obtain 6D pose and size. Additionally, we introduce the Normalized Object Center Estimation (NOCE) to estimate the geometrically aligned distance from the camera to the object center. We validated our method on both synthetic and real-world datasets to evaluate category-level object pose and shape.

참고문헌 (33)

10.1109/ICCV.2019.00203
10.1109/ICCV.2019.00203
10.1007/978-3-030-01252-6_4
10.1109/CVPR.2019.00275
Proc IEEE Conf Comput Vis Pattern Recognit A papier-mâché approach to learning 3D surface generation groueix 2018 216
10.1109/WACV.2018.00099
Lepetit, Vincent, Moreno-Noguer, Francesc, Fua, Pascal. EPnP: An Accurate O(n) Solution to the PnP Problem. International journal of computer vision, vol.81, no.2, 155-166.

상세보기
10.1109/ICCV.2019.00777
Proc Eur Conf Comput Vis Workshops 3D-PSRNET: Part segmented 3D point cloud reconstruction from a single image mandikal 2018 0
10.1109/ICRA.2018.8463191
10.1109/ICCV.2019.01006
10.1109/ICCV.2019.00776
Advances in neural information processing systems Pytorch: An imperative style, high-performance deep learning library paszke 2019 32 8026
10.1109/CVPR.2019.00469
Umeyama, S.. Least-squares estimation of transformation parameters between two point patterns. IEEE transactions on pattern analysis and machine intelligence, vol.13, no.4, 376-380.

상세보기
Proc Adv Neural Inf Process Syst Learning to predict 3D objects with an interpolation-based differentiable renderer chen 2019 9609
Deep Object Pose Estimation for Semantic Robotic Grasping of Household Objects tremblay 2018
10.1109/ICCV.2019.00162
10.1007/978-3-319-46484-8_38
Proc Eur Conf Comput Vis Self6D: Self-supervised monocular 6D object pose estimation wang 2020 108
10.1007/978-3-030-58574-7_9
Fischler, Martin A., Bolles, Robert C.. Random sample consensus : a paradigm for model fitting with applications to image analysis and automated cartography. Communications of the ACM, vol.24, no.6, 381-395.

상세보기
10.1109/CVPR.2017.264
10.1109/CVPR42600.2020.01199
10.1109/ICCV.2019.00988
Generative and discriminative voxel modeling with convolutional neural networks brock 2016
10.1109/ICCV.2017.413
10.1109/IM.2001.924423
Proc Int Conf Med Image Comput Comput - Assist Interv U-NET: Convolutional networks for biomedical image segmentation ronneberger 2015 234
Silberman, N., Hoiem, D., Kohli, P., Fergus, R.. Indoor Segmentation and Support Inference from RGBD Images. Lecture notes in computer science, vol.7576, 746-760.

상세보기
10.1109/CVPR.2019.00342
10.1007/978-3-030-58589-1_32
10.1109/CVPR.2018.00038

LOADING...

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

원문 보기

AccessON 원문보기

원문 URL 링크

DOI : 10.1109/LRA.2021.3110538
IEEE : 저널 > 논문
AccessON : 저널

*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.

오픈액세스(OA) 유형

GREEN

저자가 공개 리포지터리에 출판본, post-print, 또는 pre-print를 셀프 아카이빙 하여 자유로운 이용이 가능한 논문

저작권 관리 안내

내보내기 메뉴

내보내기 구분

파일저장
인쇄
메일전송

구성항목

기본정보
상세정보

관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관

저장형식

Text(ASCII format)
Excel format
RefWorks Direct Export
RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley

메일정보

받는사람 (필수): @
보내는사람 (선택): @
제목
내용: KISTI 검색결과 이메일 서비스

안내

총 건의 자료가 검색되었습니다.

다운받으실 자료의 인덱스를 입력하세요. (1-10,000)

검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다.

데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요)

다운로드 파일은 UTF-8 형태로 저장됩니다.
파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오.

Text(ASCII format)
Excel format

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

AI-Helper ※ AI-Helper는 을 사용합니다.

AI-Helper

안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

연합인증