学习物体识别和三维姿态估计描述符
本论文提出了一种基于端到端学习框架的关键点检测及其表示的方法,以适应于三维深度地图或扫描,通过采样相应的区域提案实现正负样本的自动获取,并在多个基准数据集上进行匹配实验,表明该方法相对于现有方法具有明显的改进。
Feb, 2018
本文提出一种通过卷积神经网络从深度图像中识别物体和估计姿态的方法,采用流形学习和姿态回归的多任务学习框架,通过实验证明,所提出的新型损失函数大大提高了网络学习到的视角描述符的区分度,相对姿态准确性比相关工作提高了近 30%。
May, 2018
利用物体分类内部几何规律的数据驱动姿态估计方法。首先,从 2D RGB 图像学习物体部分的姿态不变局部描述符。将这些描述符与来自固定3D 模板的关键点结合使用,生成给定单眼实际图像的关键点对应图。最后,使用这些关键点对应图,预测物体的3D 姿态。该方法在多个真实环境的视角估计数据集,如 Pascal3D + 与 ObjectNet3D 上的表现达到最佳水平,并且我们公开了所使用方法的代码以鼓励再生研究。
Sep, 2018
该研究提出了一种结合了深度学习和三维几何的方法,利用未带纹理的 CAD 模型和不需要针对新对象进行训练的方法,检测和估计图像中物体的 3D 姿态,并利用 Mask-RCNN 实现无需重新训练的对象检测,从而限制可能的对应关系数量。实验结果表明,该方法与之前的方法相当或更好。
Oct, 2020
该研究使用卷积神经网络训练能够从单个图像预测出物体的 3D 形状和相机姿态的模型,并通过一组 pose 预测器进行姿势模糊处理,并利用可微分 3D 点云投影技术来获取高保真度的形状模型。
Oct, 2018
该论文提出了一种利用深度学习技术进行分层定位的方法,仅在候选位置上计算 2D-3D 匹配的精确位姿估计,从而实现在流行的移动平台上实时运行并拥有最先进的本地化性能,为机器人研究带来了新的前景。
Sep, 2018
采用卷积自编码器在大量随机局部补丁上训练回归描述符,将场景补丁描述符与合成模型视图补丁的数据库进行匹配,并投票生成 6D 对象,结果在三个数据集上表现良好,具有标准检测结果并超过其竞争对手的鲁棒性。
Jul, 2016
本文提出了一种可扩展,高效和准确的方法,用于检索野外对象的 3D 模型,包括了 3D 姿态估计,使用姿态先验来检索 3D 模型,使用基于 CNN 的多视图度量学习方法从 RGB 图像中检索图像描述符与采用的渲染深度图像匹配的深度图像得出精准的 3D 模型,报告了 Pascal3D + 上 3D 模型的定量结果。
Mar, 2018
本文提出一种新颖的基于几何约束的局部描述符学习方法 ——GeoDesc,旨在改善学习局部描述符在图片三维重建中的泛化性能不足的问题。结果表明,GeoDesc 在各种大型基准测试中表现出优异的性能,并在具有挑战性的重建任务中显著成功。此外,本文提供了在 SfM 流水线中实际集成学习描述符的指南,展示了 GeoDesc 在精度和效率之间能够提供的良好平衡。
Jul, 2018
通过多类学习对象描述符和新颖的渲染引擎,可以从一个或多个 RGB-D 图像中进行精确和鲁棒的 3D 对象重建,从而实现了多种应用,同时具备联合优化对象姿态和形状以及相机轨迹的能力。
Apr, 2020