개발자 포트폴리오 개발자 포트폴리오

출처 : grootai 1. 소개 PointNet은 3D 딥러닝 분에서 베이스가 되는 논문. 컴퓨터 비전 분야에서 유명한 CVPR에 게재된 논문. 3D 딥러닝을 하기 위해서 우선 3차원 데이터를 알아야 한다. 이미지가 픽셀로 이루어져 있듯이 3D 데이터도 point cloud나 mesh 같은 방법으로 데이터를 표현. point cloud는 점들의 집힙. mesh는 삼각형으로 이루어져 있다. 그래서 point cloud 보다는 mesh가 좀 더 자세하게 표현되어 있다고 볼 수 있다. 왜냐하면 점과 점 상의 연결 관계도 표현되어 있기 때문이다. point cloud는 안에도 꽉차 있는건가요? 보통은 스캔 데이터를 많이 쓰기 때문에 표면의 정보만을 가지고 있다. 일단 mesh나 point cloud는 보시다시..

목표 목표 키워드 : 합성 데이터, Wisdom-sim DB, Mask-RCNN, Novel Object Picking, Depth Image 해당 논문 읽는 이유 : 32만개의 합성 데이터를 라벨 링해서 구성한 Wisdom-sim DB를 통해 일반 Mask-RCNN으로도 Novel Object Picking이 가능한 것을 보여주었다. 요약 Depth 이미지에서 모르는 객체를 segment하는 능력은 로봇의 파지와 객체 트래킹 기술을 발전시키는데 잠재적 힘이 있다. 최근 컴퓨터 비전 연구에서는 상당량의 손으로 레이블한 데이터셋이 주어질 경우, Mask R-CNN으로 RGB 이미지에서 객체를 구체적 카테고리로 분류하게끔 학습할 수 있다고 발표되었다. 이러한 데이터셋을 생성하기란 상당한 시간이 소요되기에, ..

[1] Cornell 대학교에서 Redmon등은 280개의 물체에 대하여 파지점을 포함한 1035개의 이미지가 라벨링 된 DB를 제안하였으며, 이를 CNN을 통하여 학습하고 로봇을 활용하여 물체가 피킹 가능하다는 것을 보여주었다. Redmon, Angelova, “Real-Time Grasp Detection Using Convolutional Neural Networks”, ICRA2015 [2] Delft 공대에서는 Fast R-CNN을 활용하여 박스에 있는 다양한 물체가 혼재 되어있어도 인식할 수 있는 것을 보여 주었다 Carlos, et.al, “eam Delft’s Robot Winner of the Amazon Picking Challenge 2016”, ArXiv:1610.05514v1 그러..

출처 : 한땀한땀 딥러닝 컴퓨터 비전 백과사전 https://wikidocs.net/136482 객체 검출 : 주어진 이미지에서 각 인스턴스들의 사이즈를 박스 테두리로 예측하고, 해당 인스턴스의 클래스를 예측 (1) 객체검출 아이디어 객체검출 : 한 이미지에서 객체와 이 객체를 둘러싸는 가장 작은 직사각형으로 정의되는 bounding box를 찾는 작업 Image classification : 하나의 object에 대해 무엇인지를 분류함. Image localization : 하나의 object에 대해 어디에 위치하는지 파악함. Object detection : 여러가지 물체에 대해서 위치를 파악하고, 각각이 무엇에 해당하는지를 파악함. 1) 객체검출 데이터셋 소개 * PASCAL VOC - 2005년에..

목표 목표 키워드 : Self-supervised, suction, instance segmentation, 90% 이상의 정확도, RGBD 입력값, end-to-end 해당 논문 읽는 이유 : Self-supervised instance segmentation 방법에 대한 아이디어 이해 요약 이미지의 모르는 객체에 대한 Instance segmentation은 파지, 트래킹, 객체 분류와 같은 로봇 기술에 관련있는 것으로 간주되었다. 컴퓨터 비전 분야에서의 최근 연구는 다량의 손수 레이블된 데이터셋이 segmentation performance을 높일 수 있다는 것을 보여주었다. 새로운 환경에서 손수 데이터에 레이블을 다는 소모적인 작업에서 벗어나기 위해, 우리는 로봇의 전이학습을 제안한다. 해당 학습..

요약 Vacuum-based end effectors는 산업에서 널리 사용되고 있고, 사물의 한지점에만 접촉하여 물건을 들 수 있기에 parallel-jaw, multifinger, grippers 전반에 선호되고 있다. Suction grasp planners는 사물의 estimated centroid 근처의 point cloud에 있는 표면을 주로 목표로 한다. 본 논문에서는 compliant suction contact model을 제안한다. 해당 모델은 suction 컵과 목표 표면 사이의 압착 정도를 계산하고, 외부 중력에 의한 뒤틀림에 저항하기 위해 흡입파지의 힘을 계산한다. 파지를 특징짓기 위해, 로봇팔과 객체 포즈, 재료 성질, 그리고 외부의 힘으로부터 발생하는 작은 변화에 얼마나 강인한지..

# 빈피킹(Bin picking) vs 피스피킹(Piece picking) * 빈피킹 - 박스 내 작은 부품을 피킹하는 작업의 일반적 통칭 - 주 단일 품목이 적치형태로 존재 - 제조산업 현장에서 주로 사용됨 - 대표적 상용화 솔루션 : Pickit사의 Pickit3d, Solomon사의 solomon-3d * 피스피킹 - 박스 내 혼재되어 있는 다양한 물건들을 피킹하는 작업 - 처음 보는 물체도 피킹이 가능하도록 하는 Novel object recognition 기술 필요 - 물건을 직접 파지하는 그리핑 또는 흡착 방식의 엔드이펙터의 범용성 확보 필요 - 물류현장에서 주로 사용됨 - 대표적 상용화 솔루션 : Right hand robotics사, Covariant사 -> 현장 적용사례 부족 * 출처 -..

출처 : https://wikidocs.net/142644 3. Image Segmentation(이미지 분할) Image Segmentation은 입력 이미지에서 픽셀의 각 클래스를 구분하는 Task입니다.  wikidocs.net 3. Image Segmentation (이미지 분할) (1) 이미지 분할 아이디어 1) 이미지 분할 - 객체검출(Object detection) : 바운딩 박스(Bounding box)로 객체 검출 - 이미지 분할(Image segmentation) : 픽셀의 분류(Classification) - 이미지 분할 목표 : 네트워크가 입력 이미지 안의 모든 픽셀을 (지정된 개수의)클래스로 분류 2) 이미지 분할 종..