ICCVMar, 2017

BB8: 一种可扩展、准确、部分遮挡稳健的方法，用于预测具有挑战性的物体的 3D 姿态而无需使用深度

PDF
TL;DR本研究针对 T-LESS 数据集中具有旋转对称轴的物体进行了 3D 目标检测和姿态估计，通过引入 CNN 等技术，实现了色彩图像的 2D 投影识别和姿态预测方案，并使用限制范围的训练和分类器优化，最终在 LINEMOD 数据集上将正确注册的 RGB 帧从 73.7％提高至 89.3％，并对仅使用彩色图像的 Occlusion 数据集进行了测试。
3d object detectionpose estimationcnnt-less datasetholistic approach
发现论文，激发创造
  • 针对三维物体姿态估计，使深度热图对于部分遮挡具有鲁棒性

    本研究提出了一种新的方法用于从单个彩色图像中准确地估算有大遮挡的三维物体姿态，即首先预测与目标物体相关的 3D 点的 2D 投影，然后使用几何方法从这些对应关系中计算 3D 姿态，方法是从多个小补丁独立地预测热图，然后积累结果以获得准确和稳健的预测。

    Apr, 2018

  • 单幅 RGB 帧的基于语义关键点的姿态估算

    该论文提出了一种从单个 RGB 图像中估计物体连续 6-DoF 姿态的方法，该方法结合了经卷积网络预测的语义关键点和可变形的形状模型，同时采用了半自动数据生成技术来训练可学习组件，在实验中该方法达到了与现有技术相当的结果。

    Apr, 2022

  • 实时无缝单帧六维物体姿态预测

    该论文提出了一种单次操作的方法，可以在不需要多个阶段或检查多个假设的同时，在 RGB 图像中检测对象并预测其 6D 姿态。通过采用新的 CNN 架构和 PnP 算法，该方法可以以 50fps 的速度在 Titan X GPU 上运行，比其他最近的 CNN 方法具有更高的准确性和更适合实时处理。

    Nov, 2017

  • 从 RGB-D 图像推断三维物体姿态

    该研究旨在使用卷积神经网络检测和定位 RGB-D 场景中的物体，然后使用 3D 模型替换它们，相对于目前最先进的算法，该方法在 3D 检测任务中表现出 48％的相对改进，并且速度更快。

    Feb, 2015

  • 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

  • 基于分割的 6D 物体姿态估计

    本文提出一种基于分割的 6D 姿态估计框架，使用关键点检测获取局部姿态预测，并根据置信度预测将这些姿态候选融合成可靠的 3D-to-2D 对应关系，从而在多个低纹理物体相互遮挡的情况下获得最优姿态估计，其采用简单且高效的架构实现实时性能。

    Dec, 2018

  • 基于关键点的单阶段类别级别物体姿态估计

    该研究提出了一种基于关键点的方法，通过一个 RGB 图像作为输入，对已知类别内的未知目标实例进行目录级别的物体位姿估计，采用单阶段神经网络，并在 Objectron 基准测试中表现出比现有方法更好的性能

    Sep, 2021

  • 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

  • 利用本地表面嵌入技术在彩色图像中实现未知物体的三维目标检测和姿态估计

    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

  • 3D 物体姿态估计模板再审：对新对象的泛化和遮挡稳健性

    本研究提出了一种基于 CAD 模型的局部特征匹配方法，无需对新物体进行训练即可实现新物体的识别和三维位姿估计，实验证明该方法能够实现对不同于训练集的新物体的泛化，明显优于其他基于模板匹配的方法。

    Mar, 2022