講演抄録/キーワード |
講演名 |
2016-06-13 11:15
深層学習を用いた多様体構築による3次元物体の姿勢推定に関する予備検討 ○二宮宏史・川西康友・出口大輔・井手一郎・村瀬 洋(名大)・小堀訓成・橋本国松(トヨタ自動車) PRMU2016-39 SP2016-5 WIT2016-5 |
抄録 |
(和) |
近年,物体の3次元姿勢推定技術が注目されている.従来技術として,3次元姿勢変化による2次元画像上での見えの変化を,低次元空間中における多様体で表現するパラメトリック固有空間法がある.この手法は見えの分散に着目し,主成分分析を用いて特徴量を求めるものである.しかし,姿勢変化の大きさと見えの変化の大きさには必ずしも関係があるわけではない.そのため,見えの変化が小さい姿勢の違いを区別することが難しいという問題がある.本報告では,姿勢の分離性に着目した特徴量による多様体構築手法を提案する.姿勢を教師信号として学習したDeep Convolutional Neural Network(DCNN)の中間層から,姿勢の分離性が高い特徴を抽出する.この特徴量を用いて多様体を構築することで,見えの変化が小さい姿勢の違いも区別できると考えられる.実験により,姿勢を教師信号として学習したDCNNから抽出した特徴量による多様体構築を行なうことで,姿勢推定精度の向上を確認した. |
(英) |
Recently, 3D object pose estimation is being focused. The parametric eigenspace method is known as one of the fundamental methods. It represents the appearance change of an object caused by pose change with a manifold embedded in a low-dimentional subspace. It obtains features by PCA, which maximizes the appearance variation. However, there is not always a correlation between pose change and appearance change. So, there is a problem that the method cannot handle a pose change with a slight appearance change. In this report, we introduce deep manifold embedding which maximizes the pose variation. We construct a manifold from features extracted from Deep Convolutional Neural Networks (DCNNs) trained with pose information. Pose estimation with the proposed method achieved the best accuracy in experiments using a public dataset. |
キーワード |
(和) |
3次元物体 / 姿勢推定 / 多様体 / 深層学習 / / / / |
(英) |
3D object / pose estimation / manifold / deep learning / / / / |
文献情報 |
信学技報, vol. 116, no. 89, PRMU2016-39, pp. 25-30, 2016年6月. |
資料番号 |
PRMU2016-39 |
発行日 |
2016-06-06 (PRMU, SP, WIT) |
ISSN |
Print edition: ISSN 0913-5685 Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
PRMU2016-39 SP2016-5 WIT2016-5 |