【DLゼミ】XFeat: Accelerated Features for Lightweight Image Matchingharmonylab
公開URL:https://arxiv.org/pdf/2404.19174
出典:Guilherme Potje, Felipe Cadar, Andre Araujo, Renato Martins, Erickson R. ascimento: XFeat: Accelerated Features for Lightweight Image Matching, Proceedings of the 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (2023)
概要:リソース効率に優れた特徴点マッチングのための軽量なアーキテクチャ「XFeat(Accelerated Features)」を提案します。手法は、局所的な特徴点の検出、抽出、マッチングのための畳み込みニューラルネットワークの基本的な設計を再検討します。特に、リソースが限られたデバイス向けに迅速かつ堅牢なアルゴリズムが必要とされるため、解像度を可能な限り高く保ちながら、ネットワークのチャネル数を制限します。さらに、スパース下でのマッチングを選択できる設計となっており、ナビゲーションやARなどのアプリケーションに適しています。XFeatは、高速かつ同等以上の精度を実現し、一般的なラップトップのCPU上でリアルタイムで動作します。
セル生産方式におけるロボットの活用には様々な問題があるが,その一つとして 3 体以上の物体の組み立てが挙げられる.一般に,複数物体を同時に組み立てる際は,対象の部品をそれぞれロボットアームまたは治具でそれぞれ独立に保持することで組み立てを遂行すると考えられる.ただし,この方法ではロボットアームや治具を部品数と同じ数だけ必要とし,部品数が多いほどコスト面や設置スペースの関係で無駄が多くなる.この課題に対して音𣷓らは組み立て対象物に働く接触力等の解析により,治具等で固定されていない対象物が組み立て作業中に運動しにくい状態となる条件を求めた.すなわち,環境中の非把持対象物のロバスト性を考慮して,組み立て作業条件を検討している.本研究ではこの方策に基づいて,複数物体の組み立て作業を単腕マニピュレータで実行することを目的とする.このとき,対象物のロバスト性を考慮することで,仮組状態の複数物体を同時に扱う手法を提案する.作業対象としてパイプジョイントの組み立てを挙げ,簡易な道具を用いることで単腕マニピュレータで複数物体を同時に把持できることを示す.さらに,作業成功率の向上のために RGB-D カメラを用いた物体の位置検出に基づくロボット制御及び動作計画を実装する.
This paper discusses assembly operations using a single manipulator and a parallel gripper to simultaneously
grasp multiple objects and hold the group of temporarily assembled objects. Multiple robots and jigs generally operate
assembly tasks by constraining the target objects mechanically or geometrically to prevent them from moving. It is
necessary to analyze the physical interaction between the objects for such constraints to achieve the tasks with a single
gripper. In this paper, we focus on assembling pipe joints as an example and discuss constraining the motion of the
objects. Our demonstration shows that a simple tool can facilitate holding multiple objects with a single gripper.
【DLゼミ】XFeat: Accelerated Features for Lightweight Image Matchingharmonylab
公開URL:https://arxiv.org/pdf/2404.19174
出典:Guilherme Potje, Felipe Cadar, Andre Araujo, Renato Martins, Erickson R. ascimento: XFeat: Accelerated Features for Lightweight Image Matching, Proceedings of the 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (2023)
概要:リソース効率に優れた特徴点マッチングのための軽量なアーキテクチャ「XFeat(Accelerated Features)」を提案します。手法は、局所的な特徴点の検出、抽出、マッチングのための畳み込みニューラルネットワークの基本的な設計を再検討します。特に、リソースが限られたデバイス向けに迅速かつ堅牢なアルゴリズムが必要とされるため、解像度を可能な限り高く保ちながら、ネットワークのチャネル数を制限します。さらに、スパース下でのマッチングを選択できる設計となっており、ナビゲーションやARなどのアプリケーションに適しています。XFeatは、高速かつ同等以上の精度を実現し、一般的なラップトップのCPU上でリアルタイムで動作します。
セル生産方式におけるロボットの活用には様々な問題があるが,その一つとして 3 体以上の物体の組み立てが挙げられる.一般に,複数物体を同時に組み立てる際は,対象の部品をそれぞれロボットアームまたは治具でそれぞれ独立に保持することで組み立てを遂行すると考えられる.ただし,この方法ではロボットアームや治具を部品数と同じ数だけ必要とし,部品数が多いほどコスト面や設置スペースの関係で無駄が多くなる.この課題に対して音𣷓らは組み立て対象物に働く接触力等の解析により,治具等で固定されていない対象物が組み立て作業中に運動しにくい状態となる条件を求めた.すなわち,環境中の非把持対象物のロバスト性を考慮して,組み立て作業条件を検討している.本研究ではこの方策に基づいて,複数物体の組み立て作業を単腕マニピュレータで実行することを目的とする.このとき,対象物のロバスト性を考慮することで,仮組状態の複数物体を同時に扱う手法を提案する.作業対象としてパイプジョイントの組み立てを挙げ,簡易な道具を用いることで単腕マニピュレータで複数物体を同時に把持できることを示す.さらに,作業成功率の向上のために RGB-D カメラを用いた物体の位置検出に基づくロボット制御及び動作計画を実装する.
This paper discusses assembly operations using a single manipulator and a parallel gripper to simultaneously
grasp multiple objects and hold the group of temporarily assembled objects. Multiple robots and jigs generally operate
assembly tasks by constraining the target objects mechanically or geometrically to prevent them from moving. It is
necessary to analyze the physical interaction between the objects for such constraints to achieve the tasks with a single
gripper. In this paper, we focus on assembling pipe joints as an example and discuss constraining the motion of the
objects. Our demonstration shows that a simple tool can facilitate holding multiple objects with a single gripper.
Joint inference of named entity recognition and normalization for tweets
1. Xiaohua Liu, Ming Zhou, Furu Wei,
Zhongyang Fu, Xiangyang Zhou
ACL2012
Joint Inference of Named Entity
Recognition and Normalization for Tweets
id:skozawa
論文輪読会
2014/06/18
2. Named Entity Recognition (NER)
● 固有表現抽出 (NER)
○ テキストから固有表現(人名、地名など)を抽出
I wanna see Anneke Gronloh.
→ PERSON
I live in New York
→ LOCATION
3. Named Entity Normalization (NEN)
● 固有表現の正規化 (NEN)
○ 固有表現を曖昧性のない標準的な表現に変換
○ Anneke Gronlohは他に Mw.,Gronloh, Anneke Kronloh,
Mevrouw G. などとも表される
I wanna see Anneke Gronloh.
I wanna see Anneke Kronloh.
→ Anneke Grouloh
● NENの性能
○ User generated Contentに対しては性能が低下
○ Wikipediaに基づくNENシステム
■ ニュース:94%
■ User Generated Content: 77%
5. Problem of Cascaded Approach
● NERとNENは別タスク
● NER → NENの順序で適用
○ NERのoutputがNENのinput
● 問題点
○ NERのエラーがNENに伝播
■ NENのエラーの多くはNERのエラー
○ NENからNERへのフィードバックがない
6. Joint Inference
● 複数のツイートに対してNERとNENを同時に解く
● NERの性能向上はNENの性能を向上させる
● NENからのフィードバック
·· she knew Burger King when he was a Prince! ··
·· I’m craving all sorts of food: mcdonalds, burger king, pizza, chinese ··.
○ 2つのツイートの内容は異なるので、
NENではBurger Kingとburger kingをマッピングしない
○ NERが異なるラベルタイプを付与することを補助
7. Redundancy in Tweets
● 複数のツイートを同時に考慮することで
ツイートの冗長性を利用できる
·· Bobby Shaw you don’t invite the wind ··
·· I own yah ! Loool bobby shaw ··
● 1文目のBobby ShawはPERSON
○ 大文字 + you
● 2文目のbobby shawがPERSONだと判定する補助
8. Task Definition
対象:ピリオドを含むかあるクエリに関連したツイート集合
1. 各ツイートに対して固有表現とそのタイプを抽出 (NER)
○ PERSON, ORGANIZATION, PRODUCT, LOCATION
2. 各固有表現を代表的な表現にする (NEN)
○ 固有表現のペアが与えられ、同じ実体かどうかを決定
○ 同じ固有表現を全て関連付け、代表的な表現を取得
·· Gaga’s Christmas dinner with her family. Awwwwn ··
·· Lady Gaaaaga with her family on Christmas ··
·· Buying a magazine just because Lady Gaga’s on the cover ··
代表的な表現: Lady Gaga
10. Label for NER
● 各ツイートに対してBILOUラベルを付与: yi
m
○ B: Begining
○ I: Inside
○ L: Last
○ O: Outside
○ U: Unit-length
·· without you is like an iphone without apps;
O O O O O U-PRODUCT O O
Lady gaga without her telephone ··
B-PERSON L-PERSON O O O
11. Label for NEN
● 2値変数 zij
mn
○ 同じ単語の ti
m
と tj
n
のペア
○ 同じ実体を表す固有表現かどうか zij
mn
= 1 or -1
·· Gaga’s Christmas dinner with her family. Awwwwn ··
·· Lady Gaaaaga with her family on Christmas ··
·· Buying a magazine just because Lady Gaga’s on the cover ··
z11
13
= 1 ( Gaga1
1
= Gaga1
3
)
z11
23
= 1 ( Lady1
2
= Lady1
3
)
her, with などはストップワード
13. Recognize Same Entity
固有表現のタイプと正規化ラベルを利用して
同じ固有表現かどうかを以下の3点で判定
1. 同じ固有表現タイプである
2. 部分文字列
3. zij
mn
= 1 が存在
·· Gaga’s Christmas dinner with her family. Awwwwn ··
·· Lady Gaaaaga with her family on Christmas ··
·· Buying a magazine just because Lady Gaga’s on the cover ··
Gaga1
1
= Lady Gaga1
3
= PERSON
z11
13
= 1
14. Recognize Same Entity
固有表現のタイプと正規化ラベルを利用して
同じ固有表現かどうかを以下の3点で判定
1. 同じ固有表現タイプである
2. 部分文字列
3. zij
mn
= 1 が存在
·· Gaga’s Christmas dinner with her family. Awwwwn ··
·· Lady Gaaaaga with her family on Christmas ··
·· Buying a magazine just because Lady Gaga’s on the cover ··
Lady1
2
Gaaaaga = Lady1
3
Gaga = PERSON
z11
23
= 1
15. Recognize Same Entity
固有表現のタイプと正規化ラベルを利用して
同じ固有表現かどうかを以下の3点で判定
1. 同じ固有表現タイプである
2. 部分文字列
3. zij
mn
= 1 が存在
·· Gaga’s Christmas dinner with her family. Awwwwn ··
·· Lady Gaaaaga with her family on Christmas ··
·· Buying a magazine just because Lady Gaga’s on the cover ··
canonical form は単語数の長いもの
(同数の場合はWikipediaのエントリにあるもの)
Lady Gaga1
3
16. Factor Graph
● yi
m
: m番目のツイートのi番目の単語 ti
m
のNERラベル
● fi
m
: 素性関数 (yi-1
m
, yi
m
)
● zij
mn
: ti
m
とtj
n
のNENラベル
● fij
mn
: 素性関数 (yi-1
m
と yi
m
と zij
mn
)
17. Model
tweets: T = {tm
}N
m=1
graph: g = (Y, Z, F, E)
Y: y-serials, Z: z-serials
F: factor vertices, E: edges
δij
mn
= 1:
ti
m
とtj
n
が同じ単語
Φ(1)
k
, Φ(2)
k
: features
λ(1)
k
, λ(2)
k
: weight
20. Features for NER
● 表層素性
○ 大文字かどうか
○ 英数字からなる、または、スラッシュを含むかどうか
○ ストップワードかどうか
○ 単語の接頭辞、接尾辞
● 語彙素性
○ 前後1単語の語彙、品詞
○ 辞書に含まれているかどうか
○ ハッシュタグ、リンク、ユーザ名かどうか
● 外部辞書(Gazetteer)素性
○ 含まれているか
○ ラベル
21. Features for NER
● 表層素性
○ 大文字かどうか
○ 英数字からなる、または、スラッシュを含むかどうか
○ ストップワードかどうか
○ 単語の接頭辞、接尾辞
● 語彙素性
○ 前後1単語の語彙、品詞
○ 辞書に含まれているかどうか
○ ハッシュタグ、リンク、ユーザ名かどうか
● 外部辞書(Gazetteer)素性
○ 含まれているか
○ ラベル
22. Features for NER
● 表層素性
○ 大文字かどうか
○ 英数字からなる、または、スラッシュを含むかどうか
○ ストップワードかどうか
○ 単語の接頭辞、接尾辞
● 語彙素性
○ 前後1単語の語彙、品詞
○ 辞書に含まれているかどうか
○ ハッシュタグ、リンク、ユーザ名かどうか
● 外部辞書(Gazetteer)素性
○ 含まれているか
○ ラベル
·· Buying a magazine just because Lady Gaga’s on the cover
··
Lady Gaga on
名詞 名詞 前置詞
0
0
1
1
0
-, ‘s
1
People
23. Features for NEN
● 表層素性
○ 大文字かどうか ( ti
m
/ tj
n
)
○ 英数字またはスラッシュを含むかどうか ( ti
m
/ tj
n
)
○ 単語の接頭辞、接尾辞 ( ti
m
)
● 語彙素性
○ 語彙 ( ti
m
)
○ 辞書に含まれているかどうか ( ti
m
)
○ 前後1単語が全て同じ品詞かどうか (ti-1
m
ti
m
ti+1
m
/ tj-1
n
tj
n
tj+1
n
)
○ 同じラベルタイプかどうか ( yi
m
/ yj
n
)
● 外部辞書(Gazetteer)素性
○ 含まれているか(前後1単語) (Yi-1
m
∧Yj-1
n
, Yi
m
∧Yj
n
,
Yi+1
m
∧Yj+1
n
)
○ 同じラベルかどうか ( Yi
m
/ Yj
n
)
24. Experiments Setting
● データ
○ 人手で正解を付与した12,245ツイート
● ベースライン
○ NER → NEN の順序で適用した手法
■ NER: Liu et al. (2011)
■ NEN: ルールベース Jijkoun et al. (2008)
25. Experimental Results
·· Goldman sees massive upside risk in oil prices ··
NER Result F-measure
ベースライン 80.2
提案手法 83.6
NER Result PERSON PRODUCT LOCATION ORGNIZATION
ベースライン 83.9 78.7 81.3 79.8
提案手法 84.2 80.5 82.1 85.2
NEN Result Accuracy
ベースライン 79.4
提案手法 82.6
ベースライン: PERSON (Albert Goldman)
提案手法 : ORGANIZATION (Goldman Sachs)
27. Discussion
● 約半分のエラーはスラングか省略
○ 異なる単語には z 要素を作成してない
·· And Now, He Lives All The Way In California ··
·· i love Cali so much ··
·· I, bobby shaw, am gonna put BS on everything ··
● 解決案
○ 同じ単語ではなく、共通の接頭辞を持つ単語に拡張
○ スラングや省略を正規化する手法を構築
正しくLOCATIONと判定
誤ってPERSONと判定
NERで失敗