Sep, 2016

亚马逊拣选挑战赛中基于多视角自监督深度学习的 6D 姿态估计

PDF
TL;DR本文介绍了一种利用多视角 RGB-D 数据和自监督数据驱动学习的方法，通过全卷积神经网络分割和标记场景中的多个视角，并将预先扫描的 3D 物体模型适配到分割结果中，以获得 6D 物体位姿的方法。利用自监督方法生成大量标记数据集，最终实验结果表明该系统能够可靠地估计各种环境下对象的 6D 姿态。
robot warehouse automationmulti-view rgb-d dataconvolutional neural networkself-supervised learningobject pose estimation
发现论文，激发创造
  • 机器人操控的自监督 6D 物体位姿估计

    这篇论文介绍了一个机器人系统，可以通过自主学习的方式进行物体位姿估计，并通过环境中的物体抓取或推动的交互方式持续收集数据并完善其位姿估计模块，从而提高对象分割和 6D 姿态估计的性能。

    Sep, 2019

  • Self6D: 自监督单目 6D 物体姿态估计

    使用无监督学习的方法进行单眼 RGB 数据下的 6D 物体位姿估计，作者训练了一个神经网络模型，通过真实 RGB-D 数据的自监督模式来提高模型的性能表现，并证明了该方法能够显著地优化模型的性能，超过了其他使用合成数据或领域适应技术的方法。

    Apr, 2020

  • 仓库拾取放置的 RGBD 物体检测与姿态估计改进数据集

    本论文提供了一个丰富的数据集，针对解决仓库拣选和放置任务时出现的挑战，集中探讨了基于 RGBD 的三维物体姿态估计的状态最新发展。该数据集包括成千上万张图片和相应物体的基准数据，在不同的位置和杂乱程度的条件下使用。以一个近期发展的基于 RGBD 的姿态估计算法为例，进行了评估，并应用各种修改和改进来提高检测的准确性，以提高仓库拾取和放置领域的性能。

    Sep, 2015

  • 视角到标签：自监督三维物体检测的多视角一致性

    提出了一种基于多视角和弱标签的纯 RGB 序列的自监督 3D 物体检测方法，其在 KITTI 3D 数据集上的性能与使用激光雷达或立体图像的最先进的自监督方法相当。

    May, 2023

  • MV6D: 使用深度点投票网络的 RGB-D 框架多视角 6D 位姿估计

    提出了一种名为 MV6D 的多视角 6D 姿态估计方法，该方法使用多个视角的 RGB-D 图像，通过 DenseFusion 层融合每个视角的图像，可以精确预测杂乱场景中所有对象的 6D 姿态.

    Aug, 2022

  • 野外类别级别 6D 物体姿态估计：Semi-Supervised 学习方法和新数据集

    使用 Wild6D 数据集，采用半监督学习，通过自由的渲染方法与真实数据的轮廓匹配目标函数得到的 Rendering for Pose estimation network RePoNet 模型，在无需真实数据 3D 标注的情况下，能更好地解决类别级别的 6D 对象位姿估计问题。

    Jun, 2022

  • SelfPose3d：自监督的多人多视角 3D 姿势估计

    自我监督方法通过多视角输入图像和伪造姿势进行 3D 姿势估计，不需要 2D 或 3D 真实姿势标签，并且其有效性与完全监督方法相当。

    Apr, 2024

  • 3D 物体重建中下一最佳视角的监督学习

    本文提出了一种基于监督深度学习的最佳视角规划方案，该方案包括自动生成数据集的算法和原始三维卷积神经网络 (3D-CNN)，用于学习下一个最佳视角，并与类似网络进行了比较，并进行了多个实验验证了该方案的有效性，以实现对不知名对象的重建。

    May, 2019

  • 多人无标记数据 3D 姿势估计

    本文研究多人姿态估计问题，提出了一种基于多视图系统和深度学习的方法，通过使用图神经网络模型预测场景中不同人之间的视角对应关系，并使用多层感知器模型将 2D 点转换为每个人的 3D 姿态。该模型采用自监督学习方式进行训练，从而避免了对大规模 3D 数据集的依赖。

    Dec, 2022

  • 自监督 6D 物体姿态估计中的伪流一致性

    无需辅助信息，我们提出了一种使用纯 RGB 图像进行训练的 6D 物体姿态估计方法，通过利用来自多个不同视角的合成至实图像对中的几何约束（以像素级流一致性的形式表示）进行精化策略，从合成图像中获得初始姿态估计，并使用动态生成的伪标签。在三个具有挑战性的数据集上进行评估，结果表明我们的方法明显优于最先进的自监督方法，无需 2D 注释或额外的深度图像。

    Aug, 2023