May, 2018

当回归遇上流形学习：物体识别和姿态估计

PDF
TL;DR本文提出一种通过卷积神经网络从深度图像中识别物体和估计姿态的方法，采用流形学习和姿态回归的多任务学习框架，通过实验证明，所提出的新型损失函数大大提高了网络学习到的视角描述符的区分度，相对姿态准确性比相关工作提高了近 30％。
发现论文，激发创造
  • 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

  • 使用动态间隔的三重损失函数进行三维物体实例识别和姿态估计

    本论文提出了一种使用卷积神经网络进行局部对象在杂乱环境中的 3D 对象实例识别和姿态估计的方法，通过引入动态边界到多样性拓扑学习的三元组损失函数中，来在低维描述符空间上建立对象相似度模型，采用新背景噪声类型和表面法线等多种模态的图像数据进行训练，形成了更高维的特征表征以及更好的训练平衡性。

    Apr, 2019

  • 具有高效中层特征提取的连体回归网络，用于三维物体姿态估计

    本文提出了一种基于 Siamese Networks 的、直接回归物体姿态的端到端学习框架，利用我们的姿态引导特征学习，在三维姿态估计领域中取得了更好的性能表现。该学习框架还具备在严重遮挡下仍可进行学习的能力，并在新颖的手 - 物体数据集上表现出高性能。

    Jul, 2016

  • 通过点云的监督学习实现 6D 物体姿态回归

    本文提出了一种利用点云深度信息并结合卷积神经网络和几何姿态优化，分别使用旋转和平移回归网络的方法来估算已知 3D 物体的 6 自由度姿态，其中通过旋转轴角表示旋转并使用测地线损失函数进行回归，实验结果在 YCB-video 数据集上明显优于现有方法。

    Jan, 2020

  • 深度卷积神经网络下的人体姿态估计的异构多任务学习

    本文提出了一个异构多任务学习框架，用于通过深度卷积神经网络从单 ocular 图像中实现人体姿势估计，同时学习姿势 - 关节回归器和滑动窗口身体部位检测器，并证明包含身体部位检测任务有助于正则化网络，并指导其收敛于良好解决方案，并在多个数据集上报告了竞争和最先进的结果。 还通过实验证明，我们的网络中间层中学习的神经元针对局部身体部位进行了优化。

    Jun, 2014

  • 卷积模型用于联合物体分类和姿态估计

    本文探讨了深度学习方法在物体识别和姿态估计方面的应用，发现卷积神经网络（CNN）可以同时进行物体分类和姿态估计，并在两个大型多视点数据集上实现了优于最先进方法的表现。

    Nov, 2015

  • 从 2D 图像中估计三维姿态的混合分类回归框架

    本文提出了一种混合分类 - 回归框架，用于解决计算机视觉中单个 2D 图像中的 3D 姿态估计问题，该方法能够捕捉多模态姿态分布，通过使用分类网络产生离散多模态姿态估计和回归网络产生连续的优化结果，实现了多个分类 - 回归模型，其中一些在具有挑战性的 Pascal3D + 数据集上达到了最新水平的性能表现。

    May, 2018

  • 使用深度学习进行相机姿态回归的几何损失函数

    论文探讨了使用几何学和场景重投影误差等新颖的损失函数进行深度学习相机位姿回归的方法，同时展示了该技术在不同数据集上比 SIFT 算法更好的性能。

    Apr, 2017

  • 学习物体识别和三维姿态估计描述符

    该论文提出了一种用于物体识别和 3D 姿态估计的描述符计算方法，利用卷积神经网络计算描述符并通过简单的相似性和差异性约束训练，使不同对象和不同视角下的图像聚类成互相分离的簇，从而在各种数据下超越了现有的物体视图表现。

    Feb, 2015

  • 使用深度神经网络进行 3D 人体姿态结构预测

    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