ICLRNov, 2015

卷积模型用于联合物体分类和姿态估计

PDF
TL;DR本文探讨了深度学习方法在物体识别和姿态估计方面的应用，发现卷积神经网络（CNN）可以同时进行物体分类和姿态估计，并在两个大型多视点数据集上实现了优于最先进方法的表现。
object recognitionobject pose estimationview-invariant representationdeep learning methodsconvolutional neural networks
发现论文，激发创造
  • 深度学习相机姿态估计介绍

    本文概述了深度学习在计算机视觉领域中对相机姿态估计的应用，描述了关键方法和趋势，对现有的学习为基础的姿态估计器进行了广泛的交叉比较，并讨论了新出现的解决方案和未来的研究方向。

    Jul, 2019

  • 卷积神经网络实现高效的物体定位

    通过深度卷积网络及位置细化模型使人体姿态的关节定位精度得到提升

    Nov, 2014

  • ConvPoseCNN: 密集卷积 6D 物体姿态估计

    该研究介绍了 ConvPoseCNN，它是一种全卷积架构，能够实现对象位姿的像素级密集预测，包括翻译和方向组件，其中密集方向以四元数形式表示，并使用不同方法对密集方向预测进行聚合，该方法与比较方法相比具有更少的参数和更快的训练速度，而且能够自动学习信任、无遮挡和特征丰富的对象区域。

    Dec, 2019

  • 形状推姿：任意三维物体的深度姿态估计

    我们提出了一种完全通用的深度姿态估计方法，通过动态条件姿态估计和目标物体的 3D 模型表示相结合，能够对不属于预定义类别的自然实体进行训练并将其推广到全新类型的 3D 对象。

    Jun, 2019

  • 使用卷积神经网络进行 3D 姿态回归

    该研究通过 CNN 回归框架提出了适当的表示、数据增强和损失函数来捕捉姿态空间的几何信息，将 3D 姿态估计问题转化为回归问题，并在 PASCAL3D + 数据集上得到与同类最优方法相当的性能表现。

    Aug, 2017

  • PoseCNN: 一种用于混杂场景下六维物体姿态估计的卷积神经网络

    该论文介绍了一种新的卷积神经网络，PoseCNN，可用于解决机器人与真实世界互动时的 6D 目标位姿估算问题，并提供了解决对称物体的新型损失函数和一个大型视频数据集。

    Nov, 2017

  • 深度卷积神经网络下的人体姿态估计的异构多任务学习

    本文提出了一个异构多任务学习框架，用于通过深度卷积神经网络从单 ocular 图像中实现人体姿势估计，同时学习姿势 - 关节回归器和滑动窗口身体部位检测器，并证明包含身体部位检测任务有助于正则化网络，并指导其收敛于良好解决方案，并在多个数据集上报告了竞争和最先进的结果。 还通过实验证明，我们的网络中间层中学习的神经元针对局部身体部位进行了优化。

    Jun, 2014

  • 双重姿态不变嵌入：为识别和检索学习类别和对象特定的区分性表示

    提出一种基于注意力机制的双编码器架构，通过特定设计的损失函数，在两个不同的嵌入空间中同时优化类别嵌入和对象级别嵌入，用于姿态不变的物体识别和检索。在三个具有挑战性的多视图数据集上验证了方法的优越性。

    Mar, 2024

  • 构建多任务 CNN 进行视角估计

    本文比较了不同的物体类别视点估计方法，并提出一种新的联合训练方法，并强调了分类方法的优越性、深度架构和扩展训练数据的好处，并证明了即使使用 ImageNet 训练数据，合成数据也是有益的。结合所有这些因素，我们在 Pascal3D + 数据集上的结果比先前的最新成果提高了约 5％的 mAVP，特别是在 24 个视点分类任务上，将结果从 31.1％提高到 36.1％的 mAVP。

    Sep, 2016

  • 使用带有 2D 姿态信息的卷积神经网络进行 3D 人体姿势估计

    本文提出了一种使用卷积神经网络进行端到端学习的 3D 人体姿势估计方法，通过 CNN 学习找出相对于其他关节的相对 3D 位置，并通过将 2D 姿势信息与图像特征连接以及通过关于多个关节的相对位置信息的组合来获得更准确的 3D 姿势。实验结果表明，该方法在 Human 3.6m 数据集上实现了与最先进方法可比较的性能。

    Aug, 2016