Explain What You See: Open-Ended Segmentation and Recognition of Occluded 3D Objects

要約

Local-HDP (Local Hierarchical Dirichlet Process の略) は、制限のない 3D オブジェクト カテゴリ認識に最近使用された階層ベイズ法です。
この方法は、リアルタイム ロボット アプリケーションで効率的であることが証明されています。
ただし、この方法は高度な閉塞に対して堅牢ではありません。
この制限に 2 つのステップで対処します。
まず、Local-HDP の柔軟性を備えた新しいセマンティック 3D オブジェクト パーツ セグメンテーション方法を提案します。
この方法は、3D オブジェクトまたはオブジェクト パーツの数が固定されておらず、時間の経過とともに増加する可能性がある、制限のないシナリオに適していることが示されています。
提案された方法は、より少ない数の学習インスタンスを使用して、ユニオンよりも平均交差の割合が高いことを示しています。
次に、この手法を最近導入された議論ベースのオンライン増分学習法と統合することで、モデルが高度なオクルージョンを処理できるようにします。
結果として得られるモデルが、3D オブジェクト カテゴリ認識タスクの明示的な一連の説明を生成することを示します。

要約(オリジナル)

Local-HDP (for Local Hierarchical Dirichlet Process) is a hierarchical Bayesian method that has recently been used for open-ended 3D object category recognition. This method has been proven to be efficient in real-time robotic applications. However, the method is not robust to a high degree of occlusion. We address this limitation in two steps. First, we propose a novel semantic 3D object-parts segmentation method that has the flexibility of Local-HDP. This method is shown to be suitable for open-ended scenarios where the number of 3D objects or object parts is not fixed and can grow over time. We show that the proposed method has a higher percentage of mean intersection over union, using a smaller number of learning instances. Second, we integrate this technique with a recently introduced argumentation-based online incremental learning method, thereby enabling the model to handle a high degree of occlusion. We show that the resulting model produces an explicit set of explanations for the 3D object category recognition task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google