fulfulggg
commented
4 hours ago @yukihiko-fuyuki が以下のラベルを提案し、適用しました：
- self-supervised-learning
- robotics
- 3D-scene-representation
Open fulfulggg opened 4 hours ago
fulfulggg
commented
4 hours ago @yukihiko-fuyuki が以下のラベルを提案し、適用しました：
fulfulggg
commented
4 hours ago 目的: 複雑な形状を持つ植物の完全な3Dモデルを、可能な限り少ない視点から効率的に作成する。
課題: 従来の方法は、
提案手法 (SSL-NBV):
結果: シミュレーションと実環境の両方で、従来手法よりも少ない視点数で高品質な3Dモデルを生成できることを確認。
結論: SSL-NBVは、変化する農業環境において、ロボットが自律的に植物の3Dモデルを構築する上で有効な手法である。
タイトル: SSL-NBV: ロボットによる効率的な3D植物再構築のための自己教師あり学習ベースの次善ビューアルゴリズム
リンク: https://arxiv.org/abs/2410.14790
概要:
植物の3次元形状復元は、その複雑な形状が多くのオクルージョン（隠蔽）を引き起こすため、困難な課題です。次善ビュー（NBV）法は、情報利得（IG）を最大化する新しい視点を反復的に選択することで、この課題に対処します。深層学習ベースのNBV（DL-NBV）法は、従来のボクセルベースのNBVアプローチよりも計算効率が高いことを示していますが、既存の方法は、グランドトゥルース植物モデルを使用した広範なトレーニングを必要とするため、実際の植物には実用的ではありません。さらに、これらの方法は、事前に収集されたデータを使用したオフラインのトレーニングに依存しているため、変化する農業環境への適応性が制限されます。本論文では、候補視点のIG予測に深層ニューラルネットワークを用いた自己教師あり学習ベースのNBV法（SSL-NBV）を提案します。この方法では、ロボットは、新しい3Dセンサーデータと以前に収集されたデータを比較し、効率的なオンライン学習のために弱教師あり学習と経験再生を用いることで、タスク実行中に独自のトレーニングデータを収集することができます。クロスバリデーションを用いて、シミュレーション環境と実環境の両方で包括的な評価を実施しました。その結果、SSL-NBVは、非NBV法と比べて植物の復元に必要なビューが少なく、ボクセルベースの手法と比べて800倍以上高速であることが分かりました。SSL-NBVは、ベースラインのDL-NBVと比較して、トレーニングのアノテーションを90%以上削減しました。さらに、SSL-NBVは、オンラインの微調整を通じて、新しいシナリオに適応することができます。また、実際の植物を用いた結果から、提案手法は3次元植物復元のための新しい視点計画を効果的に学習できることが示されました。最も重要なことは、SSL-NBVはネットワーク全体のトレーニングを自動化し、継続的なオンライン学習を使用することで、変化する農業環境での運用を可能にすることです。