Yazar
Doruk, Abdullah Enes, Ozkaya, T. E., Gülez, F., Uslu, F.
Basım Tarihi
2023
Basım Yeri
-
IEEE
Konu
6D poz tahmini, Derin ağlar, Alan rastgeleleştirmesi, Sentetik veriler
Tür
Belge
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Demirbaş Numarası
979-835033752-5
Kayıt Numarası
9da85496-74e5-47ad-b8e3-85d18e6e7492
Tarih
2023
Notlar
TÜBİTAK
Örnek Metin
RGB görüntüleri üzerindeki endüstriyel nesnelerin 6 boyutlu poz tahmini, otomotiv imalat endüstrisindeki robotik manipülasyonların otomasyonunu hızlandırma açısından yüksek bir potansiyele sahiptir. Yüksek potansiyeline rağmen bu sorun, bilgisayarla görme camiasında yeterince ele alınmamıştır. Endüstriyel nesnelerin dokusuz, ince ve simetrik olması, bu durumun renkli görüntülerden pozlarının otomatik olarak tahmin edilmesini zorlaştırması bu sorunun araştırılmasına neden olan temel faktörlerdir. Derin öğrenme modelleri, etiketli büyük veri kümelerinin mevcudiyeti sayesinde evdeki nesnelerin poz tahmini için umut verici sonuçlar göstermiştir. Birçok ev nesnesinin aksine, endüstriyel nesnelerin poz tahmininde derin modellerin kullanımını kısıtlayan sınırlı temsil kapasitesine sahip endüstriyel nesneler için az sayıda veri seti vardır. Bu çalışmada otomotiv imalat sanayinde kullanılan endüstriyel nesnelerin 6 boyutlu poz tahmininde derin modellerin uygunluğunu inceliyoruz. Bu amaçla DeepIM, CosyPose ve EPOS olmak üzere üç deep modelinin performansını karşılaştırıyoruz. Bu modellerin geniş eğitim veri seti ihtiyacını karşılamak için endüstriyel nesnelerin CAD verilerinden büyük bir sentetik veri seti üretiyoruz. Ayrıca eğitim ve performans değerlendirme amacıyla küçük, gerçek bir veri seti topluyoruz. CosyPose'un böylesine zor bir sorunu çözme potansiyelini göstererek diğer yöntemleri büyük bir farkla geride bıraktığını görüyoruz. Hem sentetik hem de gerçek görüntülerin yer aldığı eğitim modellerinin en iyi sonuçları verdiğini de gözlemliyoruz.
DOI
10.1109/HORA58378.2023.10156677
