Dec, 2016

PoseAgent: 基于强化学习的受预算限制的 6D 物体位姿估计

PDF
TL;DR本研究提出使用强化学习优化参数的方法，将计算机视觉中姿态估计系统转化为使用卷积神经网络表示的策略，经过训练得到的姿态估计方法在资源利用方面较传统方法有所提升。
computer visionefficiencyend-to-end trainingpose estimationreinforcement learning
发现论文，激发创造
  • PFRL: 无需姿态信息的强化学习在 6D 姿态估计中的应用

    通过强化学习，使用 2D 图像注释作为微弱监督的 6D 姿态信息，我们构建了一个无需真实世界 6D 标签的 6D 姿态微调模型，从而实现了优化姿态模型的有效方法。

    Feb, 2021

  • TrackAgent: 通过强化学习进行 6D 物体追踪

    追踪物体的六维姿态，在物体本身或观察相机移动时，对许多机器人学和增强现实应用非常重要。在跟踪任务的严格时间限制下，我们提出了将物体追踪简化为加强点云（仅深度）对齐任务的方法。

    Jul, 2023

  • 基于行动决策过程的六自由度位姿估计

    本研究从动作决策的角度重新定义了物体姿态估计问题，通过神经网络依次评估可能的动作，更新初始姿态以使虚拟 3D 渲染物体向正确解决方案迭代。这种决策过程不仅具有较小的计算成本并且可以应用于新的物体类型。在 Laval 和 YCB 视频场景中，与现有技术相比，该方法显著提高了准确性和鲁棒性。

    Sep, 2020

  • 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

  • 单帧 6D 物体姿态估计

    本文介绍了一种新的基于深度图像的单镜头 6D 物体姿态估计方法，使用全卷积神经网络实现，通过将三维输入数据在空间上离散化，将姿态估计视为一个回归任务来处理，在所得到的体元上局部求解。该方法是端对端优化的，不需要手动标注 6D 姿态的真实世界数据，依靠完全使用合成数据进行训练的方式得到了良好的性能。实验验证了该方法在公共基准数据集上的优异表现。

    Apr, 2020

  • 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

  • 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

  • 基于深度强化学习的人体姿态主动估计

    本研究提出了一个基于深度强化学习的主动姿态估计架构，其学习选择适当的视角，在时间和空间上移动来提高其估计精度，并通过 Panoptic 多视图设置的广泛实验表明，与多视图基线相比，我们的模型学习选择的视角可以显著提高姿态估计的准确性。

    Jan, 2020

  • 人体姿态预测的模仿学习

    提出了一种新的基于增强学习的姿势预测模型，结合行为克隆和生成对抗学习，通过这种模型对未来的人体姿势进行预测，实验结果表明该模型在短期和长期预测方面优于现有方法。

    Sep, 2019

  • 一种混合方法的 6DoF 姿态估计

    本研究提出了一种混合方法，结合最佳实践和传统方法，采用卷积神经网络过滤高度不规则的数据，并使用点对投票方法恢复对象的姿态，该方法使用最佳性能的实例检测器和训练集进行自动方法选择。通过在 BOP 核心数据集上验证，本方法大幅优于基准方法，并成为 BOP 2020 挑战赛中最佳快速方法。

    Nov, 2020