Feb, 2017

设计用于连续物体方向估计的深度卷积神经网络

PDF
TL;DR本文研究使用深度卷积神经网络来解决连续物体方位估计任务，并通过比较三种连续方位估计方法的效果证明，将连续方位估计任务转化为离散方位估计任务并使用均值漂移算法将离散方位估计结果转化回连续方位，其中基于离散化的方法不仅性能更好，而且达到了最先进水平。同时，文章也说明了在适应图像识别任务的深度卷积神经网络中，寻找合适的特征表示是获得良好性能的关键。
deep convolutional neural networkscontinuous object orientation estimationl2 lossangular difference lossdiscretization-based approach
发现论文，激发创造
  • OriCon3D: 利用方向和置信度的有效 3D 物体检测

    通过改进的深度卷积神经网络以及多元箱子架构和几何限制，本研究在 KITTI 3D 检测基准测试上确定了更准确的三维对象姿态。

    Apr, 2023

  • 利用卷积神经网络实现自动照片方向检测

    本研究采用了卷积神经网络对图像方向检测进行研究，取得了优于同类论文的研究成果，该系统在消费级照片的检测中表现出色，并使用 Guided Backpropagation 解释其错误。

    May, 2023

  • 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

  • 使用深度学习和几何学进行 3D 边界框估计

    本文提出了一种使用单张图片进行三维目标检测与姿态估计的方法，通过使用深度卷积神经网络来回归相对稳定的三维目标属性，并使用二维边界框提供的几何约束来组合这些估计，从而产生完整的三维边界框。

    Dec, 2016

  • 面向方向提升的体素网络用于三维物体识别

    该论文研究了 3D 物体识别中物体方向的重要性，提出将物体姿态预测作为一项并行任务以实现多任务分类，通过多个数据集的测试获得了最佳性能。

    Apr, 2016

  • 用于联合物体检测和视角估计的圆柱卷积网络

    通过提出可学习的圆柱卷积神经网络并利用空间中定义的卷积核的圆柱形表示，能够提取视点特定的特征来预测每个视点上的物体类别分数，同时使用所提出的 sinusoidal soft-argmax 模块来确定目标类别和视点。实验证明了圆柱形卷积神经网络在联合目标检测和视点估计方面的有效性。

    Mar, 2020

  • 使用卷积神经网络进行人体方向估计

    提出一种基于轻量级卷积神经网络的人体方向估计方法，用于改善面向服务型机器人应用中用户与机器人面对面交互时的限制，该方法在基准数据集和自行构建的数据集中分别达到了 81.58% 和 94% 的准确率，并可用于多种对估计人体方向敏感的面向服务型机器人应用，同时欲演示该方法对面部检测率的提升。

    Sep, 2016

  • 深度神经网络能够泛化到哪些超出分布的物体方位？

    本文通过对深度神经网络（DNNs）在不同方向识别对象的表现进行了探究，并系统地检查了 DNNs 的通用性能力的限制，研究了数据多样性对其的影响，并得出了一个有趣的结论：DNNs 只能泛化到像 2D 一样的对象实例，即平面内旋转的内部分布方向。

    Sep, 2021

  • 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