【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.
25. 25
COPYRIGHT(C) TECHNOMOBILE ALL RIGHTS RESERVED.
6
AzureMLに取り込みます
①
②
⑤train.csvを選択します。
③ ④
⑥
DATASETSに
登録されま
す。
http://azure.microsoft.com/ja-jp/services/machine-learning/ からログイン
または
https://studio.azureml.net/?selectAccess=true&o=1
26. 26
COPYRIGHT(C) TECHNOMOBILE ALL RIGHTS RESERVED.
6
データを取り込むロジックを
作成します
①
②
③
④
⑤
⑥train.csvをDragDrop
この画面で左にある部品をつ
なぎあわせながら機械学習の
ロジックを組み立てていきます。
以上
31. 31
COPYRIGHT(C) TECHNOMOBILE ALL RIGHTS RESERVED.
6
実行
ロジックが出来たので実行し
ます
ぽちっと押します。キュー(実行待ち)
に入るので完了するまで待ちます
終了すると右上にこんな感じに表示されます。
32. 32
COPYRIGHT(C) TECHNOMOBILE ALL RIGHTS RESERVED.
6
ScoreModelの結果を見ましょう
②
①線をつないでいるポッチを押しましょう。
③結果が表示されます
Splitで分けた4割のデータが表示されます。Scored Labelsが推測した値です。TrainModelでlabel
にSurvivedを指定しているのでこの値と比較すれば推測があたっているかどうかわかります。
33. 33
COPYRIGHT(C) TECHNOMOBILE ALL RIGHTS RESERVED.
6
EvaluateModelの結果を見ましょう
②
①線をつないでいるポッチを押しましょう。
③結果が表示されます
ScoreModelでは全体的に良い結果なのかどうか判断しにくいのです。そこでEvaluateModelを
使ってざっくりと推測の精度が良いのかどうか判断します。
とりあえず2つだけポイントを抑えればOKです。他にたくさん指標がありますがGoogleなどで
検索すればどのように評価すればよいのか出ています。
34. 34
COPYRIGHT(C) TECHNOMOBILE ALL RIGHTS RESERVED.
6
EvaluateModelの結果をみる2つのポイ
ント(超初心者用)
ROCのグラフは対角線を基準として左上側に線があると精度が良いと
考えます。赤い線のようなのが理想的です。
対角線はちょうど五分五分の精度です(要はランダムに推測した結果
に近い)。
Accuracyが1に近いほど精度が良いです。
現状、ROCは対角線に近
く、Accuracyも1には程遠
いので精度は良くないです
ね。。。
※学習modelによって評価の仕方が変わります