Heurystyczne wykorzystanie deskryptorów 3D bez punktów charakterystycznych

• Autorzy: Harasymowicz-Boggio B. , Chechliński Ł.

Warianty tytułu

EN

Keypoint-less heuristic application of local 3D descriptors

• Języki publikacji: PL

Abstrakty

PL

Jednym z najważniejszych tematów w badaniu deskryptorów lokalnych 3D jest wydajność obliczeniowa. Wiodącym obecnie podejściem do tematu jest używanie detektorów punktów charakterystycznych, które skutecznie ograniczają obszar, dla którego deskryptory muszą zostać obliczone. Wybór tych punktów charakterystycznych jest zadaniem nietrywialnym, mającym czasem ujemny wpływ na skuteczność detekcji obiektów. W tym artykule skupiając się na zadaniu detekcji pojedynczej klasy obiektów, zamiast detekcji punktów charakterystycznych zaproponowano hierarchiczny algorytm ograniczania uwagi: słabsze, lecz szybsze metody klasyfikacji o mniejszej sile odrzucania negatywnych obszarów wykorzystano jako heurystykę dla metod bardziej złożonych. Opracowano podstawę masowo-równoległego, otwarto-źródłowego systemu rozpoznawania obiektów, który został zastosowany do zbadania zaproponowanej metody w wymagających. realistycznych scenach wnętrza budynku

EN

One of the most important topics in the research concerning 3D local descriptors is computational efficiency. The state-of-the-art approach addressing this matter consists in using keypoint detectors that effectively limit the number of points for which the descriptors arc computed. However, the choice of keypoints is not trivial and might have negative implications, such as the omission of relevant areas. Instead, focusing on the task of single object detection, we propose a keypoint-less approach to attention focusing in which the full scene is processed in a hierarchical manner: weaker, less rejective and faster classification methods are used as heuristics for increasingly robust descriptors. We have developed a massively-parallel, open source object recognition framework, which we use to explore the proposed method on demanding, realistic indoor scenes.

Słowa kluczowe

PL

robotyka; percepcja robotów; detekcja; obraz RGB-D; deskryptor

EN

robotics; perception of robots; detection; RGB-D image; descriptor

• Wydawca: Oficyna Wydawnicza Politechniki Warszawskiej
• Czasopismo: Prace Naukowe Politechniki Warszawskiej. Elektronika
• Rocznik: 2016
• Tom: z. 195, t. 2
• Strony: 477--486
• Opis fizyczny: Bibliogr. 19 poz., rys., tab., wykr.

Twórcy

autor

Harasymowicz-Boggio B.

• Instytut Automatyki i Robotyki, Politechnika Warszawska, ul. św. Andrzeja Boboli 8, 02-525 Warszawa

autor

Chechliński Ł.

• Instytut Automatyki i Robotyki, Politechnika Warszawska, ul. św. Andrzeja Boboli 8, 02-525 Warszawa

Bibliografia

• [1] J A. Aldoma et al. CAD-model recognition and 6DOF pose estimation using 3D cues. In: IEEE International Conference on Computer Vision Workshops, ICCV 2011 Workshops, Barcelona, Spain, November 6-13, 2011. Proceedings, 2011. s. 585-592.
• [2] L. A. Alexandre. 3D descriptors for object and category recognition: a comparative evaluation. In: Workshop on Color- Depth Camera Fusion in Robotics at the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). Proceedings, Vilamoura, Portugal. October. 2012.
• [3] L. A. Alexandre. Set distance functions for 3D object recognition. In: 18 th Iberoamerican Congress on Pattern Recognition. Proceedings, Havana, Cuba. Springer, November, 2013. wolumen LNCS 8258 serii Lecture Notes in Computer Science. s. 57-64.
• [4] Ł. Chechliński, Harasymowicz-Boggio B. Uogólnione histogramy krotek – deskryptory chmur punktów. In: Wysłane do recenzji. Proceedings, 2016.
• [5] S. Filipe, L. Itti, L. A. Alexandre. BIK-BUS: Biologic ally motivated 3D keypoint based on bottom-up saliency. IEEE Transactions on Image Processing, Jan, 2015, wolumen 24, numer 1, s. 163-175.
• [6] B. Harasymowicz-Boggio, Ł. Chechliński, B. Siemiątkowska. Nature - inspired, parallel object recognition. In: Progress in Automation, Robotics and Measuring Techniques. Control and Automation. Advances in Intelligent Systems and Computing vol. 350 Red. Roman Szewczyk. Cezary Zieliński. Małgorzata Kaliczyńska. Springer 2015.
• [7]. S. Izadi et al. Kinectfusion: real-lime 3D reconstruction and interaction using a moving depth camera. In: Proceedings of the 24th annual ACM symposium on User interface software and technology. Proceedings. New York. NY, USA,ACM, 2011. UJST '11, s. 559-568.
• [8] E. Kalogerakis, A. Henzmann, K. Singh. Learning 3D mesh segmentation and labeling. ACM Trans. Graph., wolumen 29. Numer 4.
• [9] K. Lai, L. Bo, D. Fox. Unsupervised feature learning for 3D scene labeling. In: IEEE International Conference on on Robotics and Automation. Proceedings. 2014.
• [10] R. Osada et al. Shape distributions. ACM Transactions on Graphics, Październik, 2002, wolumen 21, numer 4, s. 807-832.
• [11] M. Quigiey et al. Ros: an open-source robot operating system. In: ICRA Workshop on Open Source Software. Proceedings, 2009.
• [12] X. Ren, L. Bo, Dicter Fox. RGB-D scene labeling : Features and algorithms. In: IEEE International Conference on Computer Vision and Pattern Recognition. Proceedings, 2012, s. 2759-2766.
• [13] R. B. Rusu. N. Blodow. M. Beetz. Fast point feature histograms (FPFH) for 3D registration. In: in In Proceedings of the International Conference on Robotics and Automation (ICRA. Proceedings. 2009.
• [14] R. B. Rusu et al. Fast 3d recognition and pose using the viewpoint feature histogram. In: Proceedings of the 23rd IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). Proceedings, Taipei, Taiwan, 10/2010, 2010.
• [15] R. B. Rusu, S. Cousins. 3d is here: Point cloud library (pcl). In: International Conference on Robotics and Automation. Proceedings, Shanghai, China, 2011, 2011.
• [16] R. B. Rusu et al. Detecting and segmenting objects for mobile manipulation. In: Proceedings of IEEE Workshop on Search in 3D and Video (S3DV), held in conjunction with the 12th IEEE International Conference on Computer Vision (ICCV). Proceedings. Kyoto, Japan, September 27, 2009.
• [17] R. B. Rusu et al. Learning Informative Point Classes for the Acquisition of Object Model Maps. In: Proceedings of the 10th International Conference on Control, Automation. Robotics and Vision (ICARCV), Hanoi, Vietnam, December 17-20. Proceedings, 2008.
• [18] N. Silberman et al. Indoor segmentation and support inference from RGBD images. In: ECCV. Proceedings, 2012.
• [19] Heuros 3D object recognition system. https://bitbucket.org/rrgwut/heuros. Accessed: 04-05-2015.

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.