Recommandé
Recommandé
Contenu connexe
Tendances
Tendances (20)
Similaire à Learning Spatial Common Sense with Geometry-Aware Recurrent Networks
Similaire à Learning Spatial Common Sense with Geometry-Aware Recurrent Networks (20)
Plus de Kento Doi
Dernier
Dernier (10)
Learning Spatial Common Sense with Geometry-Aware Recurrent Networks
- 1. Learning Spatial Common Sense with Geometry-Aware Recurrent Networks
- 3. Novel View Synthesis • いくつかの観測から, 別視点の画像を予測 するタスク • 脳科学の分野における⼼的回転（メンタル ローテーション）という現象と関連が深い • ⼈間は⼼に思い浮かべたイメージを回転さ せることができる • CVpaperchallengeのNovel View Synthesisの発表が⾯⽩かったので関連 論⽂を紹介します ShepardとMetzlerの実験 よくわかる認知科学（乾、吉川、川⼝ 編、2011、ミネルヴァ書房）pp.61
- 4. 例 : Generative Query Network (GQN) • Novel view synthesisのタスクを通して, 空間の情報を集約するシー ン表現 (scene representation) を獲得 • Eslamiらは, これをconditional VAEの枠組みで実現する⼿法を提案 • ⽇本語だと⾦⼦さん, 鈴⽊さんの解説資料がわかりやすいです • https://www.slideshare.net/MasayaKaneko/neural-scene- representation-and-rendering-33d • https://www.slideshare.net/DeepLearningJP2016/dlgqn-111725780 S. Eslami et al. Neural Scene Representation and Rendering, Science, 2018.
- 5. Novel View Synthesis • cvpaperchallengeの発表では, タスクの概要・論⽂の紹介・未解決問題な どを紹介していただいた • 未解決問題は以下の項⽬等が挙げられた • カテゴリに依存しない新規視点画像⽣成 • 複数物体のnovel view synthesis • 実データにおけるnovel view synthesis • 未知視点への汎化 • 発表を聞いて, 近年はシーン表現をどのようにモデリングするかという所 が重要そうだと思った
- 6. Novel View Synthesis論⽂ • Scene Representation Networks: Continuous 3D-Structure-Aware Neural Scene Representations • Visual Object Networks: Image Generation with Disentangled 3D Representations • Transformable Bottleneck Networks • DeepVoxels: Learning Persistent 3D Feature Embeddings • Geometry-Aware Recurrent Neural Networks for Active Visual Recognition • Multi-view to Novel view: Synthesizing novel views with Self-Learned Confidence • Transformation-Grounded Image Generation Network for Novel 3D View Synthesis • View Synthesis by Appearance Flow • Learning Spatial Common Sense with Geometry-Aware Recurrent Networks
- 7. Novel View Synthesis論⽂ • Scene Representation Networks: Continuous 3D-Structure-Aware Neural Scene Representations • Visual Object Networks: Image Generation with Disentangled 3D Representations • Transformable Bottleneck Networks • DeepVoxels: Learning Persistent 3D Feature Embeddings • Geometry-Aware Recurrent Neural Networks for Active Visual Recognition • Multi-view to Novel view: Synthesizing novel views with Self-Learned Confidence • Transformation-Grounded Image Generation Network for Novel 3D View Synthesis • View Synthesis by Appearance Flow • Learning Spatial Common Sense with Geometry-Aware Recurrent Networks 今⽇発表するやつ
- 8. Learning Spatial Common Sense with Geometry-Aware Recurrent Networks
- 9. 書誌情報 • CMUの研究チームによる論⽂ • last authorのFragkiadaki⽒は機械に映画を理解させるのが⽬標らしい • 本研究もそのために必要な技術という位置ずけ？ • CVPR2019 oral にそれぞれ採択 • この研究は、多視点の情報を3Dの潜在表現として統合する⼿法の提案を している • geometryの知識をdeep learningのモデルに導⼊ • オクルージョンに強い • 特に記載のない場合, 図は本論⽂からの引⽤
- 10. 概要 • 複数の2D画像から抽出した特徴を3Dの潜在表現に統合する⼿法の提案 • 提案⼿法では微分可能な幾何的な操作(投影, 再投影, ego-motion estimationなど) を deep learningに取り⼊れた • 現実世界と3D featureの位置的な関連は保存している • 提案したモデルは短い画像列から新規視点のviewを予測するタスクで学習 • さらに, 3D segmentationや3D object detectionも学習可能 • 特に検出の問題では物体の永続性を考慮した検出 (オクルージョンに強い) • 実体を持つvisual agentにspatial common senseを持たせるために必要な 技術であると結論づけた
- 11. 背景, モチベーション • 近年の画像認識モデルは⼈間が持つ物体の永続性や空間認 識能⼒を持ち合わせていない • 動画で物体がすれ違った時に, 隠れている部分にも物体は存在し たままのはず (永続性) • このような能⼒は 画像+ラベル のデータを⽤いた教師あり学習 では獲得されない Ø 新しいモデルを提案する必要がある • 2D画像のシーケンスを3D featureに統合するGeometry- aware RNNの提案 1. 2D featureを3D空間に逆投影 (unprojection) 2. ego-motionの予測 3. GRUでシーンの3D featureを更新 • 提案⼿法は, SLAMから着想を得た部分が⼤きい
- 12. 提案⼿法のadvantage • 新規視点予測のタスクにおける汎化性能が⾼い • geometryを考慮しない⼿法 (GQN) の性能を⼤きく上回る • ただし, ego-motionの推定をせずGTを使った場合であることに注意 • 3D segmentationや3D object detectionにも適⽤可能 • 視点の変化に伴う⼀時的なオクルージョンに頑健な検出結果を得た Ø物体の永続性 (object permanence) を理解した認識⽅法である！ • 実装公開あり • https://github.com/ricsonc/grnn
- 13. 提案⼿法 • 提案⼿法 (上図) は4つのポイントからなる 1. Unprojection 2. Egomotion estimation and stabilization 3. Recurrent map update 4. Projection and decoding Given
- 14. Unprojection 1. CNN (2D U-net) で2D特徴マップを抽出 2. 2D特徴マップを3D空間に逆投影 3. depthマップから同じサイズの3D occupancy gridを作成 (物体がある位置は1, それ以外は0にな るテンソル) 4. 3D U-netを⽤いて3D feature !𝑉# を抽出 ① ② ④
- 15. Egomotion estimation and stabilization • 視点は距離を変えずに, ⾓度のみ変化するとい う仮定 • 新しい視点のから作成した3Dテンソル !𝑉# を, いくつかの異なる⾓度で回転させる → !𝑉$%# • 考えられる⾓度の数だけ !𝑉$%# を作成 • その時刻の3D feature memoryと内積をとり 最もスコアの⾼い⾓度を推定したego-motion とする → !𝑉# & • 実際にはスコアで重み付け平均をとる処理を ⾏なっている • 推定した⾓度で再度変換を⾏なった後, GRUに⼊⼒
- 16. Recurrent map update • Egomotion estimationにより向きを合わせた3D feature !𝑉# & を3D convolutional Gated Recurrent Unit (GRU) layerに⼊⼒ • 隠れ状態の3D feature memory : 𝑚#を更新していく • 𝑚#の初期値は0とした • Novel View PredictionのタスクではGRUを使わず に平均をとる処理でも同じような性能が得られた
- 17. Projection and decoding • 得られた3D feature memory 𝑚#を⽤いてタスクを ⾏う部分のネットワーク構造 • クエリの視点 : 𝑞 を与え, 𝑚# を変換 • 各depthの値に応じた2D featureに投影しstack → 𝑝* • 𝑝*をconvLSTMで 𝑞 に対応するRGB画像へdecode • 物体のvisibilityは明⽰的には与えずNNの計算に任 せる Ø ⾏うタスクとしてはview predictionと3D MaskRCNNがある
- 18. Projection and decoding • View predictionの場合は𝑚#を右の図の ようにdecodeして画像をレンダリング する • 3D MaskRCNNでは, 𝑚# の候補領域の 部分をROI poolingして, その部分を decodeすることにより物体マスクを⽣ 成
- 19. 実験 • 検証したいのは以下の問い 1. GRNNsはspatial common senseを学習するか 2. geometryを考慮したネットワーク構造はspatial common senseを獲得するの に必要か 3. GRNNsの性能について • spatial common senseは, ⼈間が持つ空間認識能⼒全般を指す (広い意味) • 3D shapeは2D平⾯を膨らませることで⽣成可能 • シーンは物体から構成される • 3次元物体は交差しない • 物体は急に存在を消したりしない
- 20. View prediction • 複数画像の⼊⼒を元に, 新しい視点の画像を予測 するタスク • 実験に⽤いたデータセット • ShapeNet : 学習データは2つの物体を観測するという設定で 準備 • Shepard-metzler : テトリスみたいなやつ • Rooms-ring-camera dataset from : 部屋の中にランダムに物 体があるようなデータセット • ⽐較対象 : GQN • 条件を揃えるため, 提案⼿法でdepth mapのGTは⽤いず, ego- motionのGTは⽤いた
- 21. View prediction • 再構成誤差は提案⼿法の⽅が⼩さい • より正確に予測ができた
- 24. 3D object detection and segmentation • 具体的にはinstance segmentationのタスクを⾏なっている • ShapeNetでデータセットを作成 • mean Average Precision (mAP)で評価 • 4つの設定で検証 • geometry-awareでないモデル + ego-motionのGT + depthのGT • GRNN + ego-motionのGT + 推定したdepth • GRNN + ego-motionのGT + depthのGT • GRNN + 推定したego-motion + depthのGT • 両⽅推定するのはやらないの…?
- 25. 3D object detection and segmentation • GRNN + ego-motionのGT + depthのGT の結果が最も良い (それはそう) • mAP0.75においてはGRNNはgeometry-awareでないモデルよりも良い結果 • geometry-awareな提案⼿法の優位性は⽰せた • ego-motionとdepthを両⽅推定できるとさらに良さそう
- 26. 3D object detection and segmentation • 複数の視点の観測を統合することで, オクルージョンに頑健な検出を実現
- 27. まとめ • spatial common senseを獲得するため, 2D画像列から3D featureを⽣成す るネットワーク構造を提案 • unprojection, ego-motion estimationなど, 微分可能なgeometricな処理を ⽤いることにより実現 • 新規視点予測のタスクにおいて, 低い再構成誤差や⾼い汎化性能を⽰した • 3D object detection & segmentationにおいては, オクルージョンに頑健 な検出ができたことを確認 • Future works • 現実のデータ・動的なシーンなどに適⽤可能なモデルの提案 • 4Dテンソルのスパース性を⽤いた計算効率の向上
- 28. 関連研究 • Geometry-Aware Recurrent Neural Networks for Active Visual Recognition • NeurIPS 2018に採択 • 同じ研究グループの論⽂ • 同様のシステムを動的に観測位置を変化させるエージェントに適⽤ • よりinformativeな⽅向を視点を動かす⽅策を学習できた R. Cheng et al. “Geometry-Aware Recurrent Neural Networks for Active Visual Recognition”, NeurIPS, 2018. R. Cheng et al. Supplemental materials of “Geometry-Aware Recurrent Neural Networks for Active Visual Recognition”, NeurIPS, 2018.
- 29. おまけ : Novel View Synthesis サーベイ
- 30. View Synthesis by Appearance Flow • Novel view synthesis のタスクを, 2D画像からのフロウを推定することにより解 いた。 • フレームワーク全体は下図のようになる。これは⼀気通貫に学習することができ る。 T. Zou et al. “View Synthesis by Appearance Flow”, in ECCV, 2016.
- 31. Transformation-Grounded Image Generation Network for Novel 3D View Synthesis • NovelViewSynthesisのタスクにおいて、新規視点でのオブジェクトのうちソー ス画像で⾒えている部分はそれをコピーして⽤い、残りの部分はGANで⽣成する ような枠組みを提案した。ネットワークはdisocclusion-aware appearance flow network (DOAFN) とcompletion networkから構成される。 • 先⾏研究のAppearance Flow Network (AFN) よりもよい結果を得た。 E. Park et al. “Transformation-Grounded Image Generation Network for Novel 3D View Synthesis”, in CVPR, 2017.
- 32. Visual Object Networks: Image Generation with Disentangled 3D Representations • 3Dを考慮した画像⽣成を⾏う⼿法の提案 • 3D shapeの⽣成→ターゲット視点に対応した深度画像とマスクに変換→ テクスチャコードを与えて画像にCNNでレンダリング J. Zhu et al. “Visual Object Networks: Image Generation with Disentangled 3D Representations”, in NeurIPS, 2018.
- 33. Multi-view to Novel view: Synthesizing novel views with Self-Learned Confidence • 複数視点の画像から、新規視点の画像を⽣成する⼿法の提案。フレームワークはFlowPredictorと Recurrent Pixel Generatorからなり、前者はソース画像からターゲット画像へのフロウを推定し、 後者は⼊⼒から直接画像を復元することを試みる。最後にこれらを確信度で重み付けをして統合す る。 • 3DCGのオブジェクトを⽤いて実験を⾏い当時のSOTAとなった。 S. Sun et al. “Multi-view to Novel view: Synthesizing novel views with Self-Learned Confidence”, in ECCV, 2018.
- 34. Transformable Bottleneck Networks • 2D画像をCNNにより3Dの編集ができるようにする⼿法の提案。 • 画像から3D featureを抽出し、そこにターゲットポーズに関する変形を⼊れたのち2Dへ の投影を⾏い、画像の再構成など後段のタスクを⾏う。 • これにより剛体変換にとどまらない3Dを考慮した画像編集を⾏うことができる。 K. Olszewski et al. “Transformable Bottleneck Networks”, 2019.
- 35. DeepVoxels: Learning Persistent 3D Feature Embeddings • 画像シーケンスを1つのボクセル表現に落とし込む⼿法の提案。 • 提案⼿法のフレームワークは以下の順で処理を⾏う。 • 画像から2D featureを抽出→2D featureを3D featureに再投影→これらを画像シーケンスについて⾏いGRUで統合 →3D featureをターゲットの視点へ投影し画像を再構成 • この再構成誤差により全体のフレームワークの学習を⾏う。 • 提案⼿法はnovel view synthesisの性能が良い。 V. Sitzmann et al. “DeepVoxels: Learning Persistent 3D Feature Embeddings”, in CVPR, 2019.
- 36. DeepVoxels: Learning Persistent 3D Feature Embeddings V. Sitzmann et al. “DeepVoxels: Learning Persistent 3D Feature Embeddings”, in CVPR, 2019.
- 37. 参考⽂献 • S. Eslami et al. Neural Scene Representation and Rendering, Science, 2018. • T. Zou et al. “View Synthesis by Appearance Flow”, in ECCV, 2016. • E. Park et al. “Transformation-Grounded Image Generation Network for Novel 3D View Synthesis”, in CVPR, 2017. • J. Zhu et al. “Visual Object Networks: Image Generation with Disentangled 3D Representations”, in NeurIPS, 2018. • S. Sun et al. “Multi-view to Novel view: Synthesizing novel views with Self-Learned Confidence”, in ECCV, 2018. • K. Olszewski et al. “Transformable Bottleneck Networks”, 2019. • V. Sitzmann et al. “DeepVoxels: Learning Persistent 3D Feature Embeddings”, in CVPR, 2019. • R. Cheng et al. “Geometry-Aware Recurrent Neural Networks for Active Visual Recognition”, NeurIPS, 2018. • H. Tung et al. “Learning Spatial Common Sense with Geometry-Aware Recurrent Networks”, in CVPR, 2019.