Uncertainty Quantification with Deep Ensembles for 6D Object Pose Estimation

要約

6D オブジェクトの姿勢の推定は、多くのコンピューター ビジョン アプリケーションにおける基本的なタスクです。
特に、人間とロボットの相互作用、産業検査、オートメーションなどの高リスクのシナリオでは、信頼性の高い姿勢推定が重要です。
ここ数年、6D オブジェクトの姿勢推定のための、ますます正確で堅牢なディープラーニング ベースのアプローチが提案されています。
最高のパフォーマンスを発揮するメソッドの多くは、エンドツーエンドでトレーニング可能ではなく、複数のステージで構成されています。
深い不確実性の定量化の文脈では、深いアンサンブルは、適切に校正されたロバストな不確実性推定値を生成することが証明されているため、最先端のものとみなされます。
ただし、ディープ アンサンブルは、エンドツーエンドでトレーニングできるメソッドにのみ適用できます。
この研究では、ディープアンサンブルを使用した多段階 6D オブジェクト姿勢推定アプローチの不確実性を定量化する方法を提案します。
実装には、BOP Challenge 2022 で最も優れた 6D オブジェクト姿勢推定アプローチの 1 つである SurfEmb を代表として選択します。深い不確実性の定量化に確立されたメトリクスと概念を適用して結果を評価します。
さらに、推定された不確実性の品質を定量化するために、回帰タスク用の新しい不確実性キャリブレーション スコアを提案します。

要約(オリジナル)

The estimation of 6D object poses is a fundamental task in many computer vision applications. Particularly, in high risk scenarios such as human-robot interaction, industrial inspection, and automation, reliable pose estimates are crucial. In the last years, increasingly accurate and robust deep-learning-based approaches for 6D object pose estimation have been proposed. Many top-performing methods are not end-to-end trainable but consist of multiple stages. In the context of deep uncertainty quantification, deep ensembles are considered as state of the art since they have been proven to produce well-calibrated and robust uncertainty estimates. However, deep ensembles can only be applied to methods that can be trained end-to-end. In this work, we propose a method to quantify the uncertainty of multi-stage 6D object pose estimation approaches with deep ensembles. For the implementation, we choose SurfEmb as representative, since it is one of the top-performing 6D object pose estimation approaches in the BOP Challenge 2022. We apply established metrics and concepts for deep uncertainty quantification to evaluate the results. Furthermore, we propose a novel uncertainty calibration score for regression tasks to quantify the quality of the estimated uncertainty.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google