SE3-Pose-Nets: 用于视觉运动规划和控制的结构化深度动力学模型
SE3- Nets 是深度神经网络,旨在通过原始点云数据来建模和学习刚体运动。它学习分割影响物体部分并预测由应用力导致的运动的 SE3 变换,相较于传统的基于流的神经网络,它能够产生更加一致的运动预测结果。
Jun, 2016
本文提出了一种基于深度学习回归体系结构的 3D 人体姿势结构预测方法,该方法借助于过度完备的自动编码器并考虑关节从属关系,优于现有技术,包括结构保留和预测准确性两方面。
May, 2016
本文提出了一种利用深度神经网络进行结构化输出学习的方法,用于从单眼图像中估计 3D 人体姿势。该方法将图像和 3D 姿势作为输入,通过卷积神经网络将图像特征提取出来,并通过两个分支网络将图像特征和姿态转换为联合嵌入,然后将联合嵌入相乘得到一个分数值。通过最大间隔代价函数来联合训练联合嵌入和分数函数,实现的网络为一种特殊形式的结构化支持向量机,它是使用深度神经网络区别性地学习联合特征空间。在 Human3.6m 数据集上测试了这个框架,并与其他最近的方法进行了比较,得到了最先进的结果。最后,我们展示了图像 - 姿态嵌入空间的可视化,证明了网络已经学习到了高水平的身体方向和姿态配置。
Aug, 2015
本文提出了一种从 2D 视觉观察中学习动态 3D 场景模型的方法,结合神经放射场、时间对比学习和自动编码框架,可以学习到视点不变的 3D 感知场景表示,进而实现包括刚体和流体在内的具有挑战性的操作任务的视觉运动控制和未来预测,并支持摄影机视点外训练分布的目标规定,此外,还对不同系统设计进行了详细的改变研究和学习的表示的定性分析。
Jul, 2021
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
本文提出了一种深度结构模型,用于在不受限制的视频中预测人体姿态序列,借助于深度卷积神经网络、时间信息和领域知识,该模型能够同时表示身体关节的外观和它们的时空关系,并有效约束骨骼结构和强制时间一致性。在两个广泛使用的基准测试数据集上评估该架构,取得了比现有最先进方法更好的性能表现。
Mar, 2017
提出一种物体感知的三维自我中心姿态估计方法,通过运动学建模、动力学建模和场景中物体的信息紧密集成,在物体感知的基础上估计出物理上合理的三维人体 - 物体交互姿态,并在受控实验和现实场景中进行评估。
Jun, 2021
该论文介绍了一种新方法,它将深度网络的能力与几何和概率定位算法的计算效率相结合,通过矩阵李群方法导出了一个新的损失函数用于学习 SE (3) 修正,用 DPC-Net 预测从地面实况训练数据中学习得到的模型纠正特定的估计器、传感器和环境误差,并展示了如何减轻镜头失真参数不良校准的影响。
Sep, 2017
该文介绍了一种学习 3D 几何结构的算法,可用于从高维图像中学习感觉运动控制策略,其发现的 3D 关键点能够在时间和 3D 空间上一致地捕获机器人关节和物体移动,成果在强化学习基准测试中优于之前的最佳方法。
Jun, 2021