Jun, 2018

针对人群场景中基于深度的六自由度物体姿态和联合注册的多任务深度网络

PDF
TL;DR本研究提出了一种基于多任务学习的深度学习神经网络结构，用于从随机堆放的物品中恢复多个实例的 6D 姿态，通过在深度感知模式下进行 2D 检测、深度估计和 3D 姿态估计的多子任务联合学习，以及多个物体的联合注册，以学习众多遮挡情况，实验结果表明，与现有方法相比，在合成和真实数据集上平均精度提高了 15-31 %。
bin-picking6d posesmulti-task learningdeep neural networksocclusion
发现论文，激发创造
  • Deep-6DPose：从单个 RGB 图像中恢复 6D 物体姿态

    本文介绍了一种名为 Deep-6DPose 的端到端深度学习框架，可以从单个 RGB 图像中同时检测、分割并恢复目标实例的 6D 姿态。实验表明，Deep-6DPose 比目前基于 RGB 的多阶段姿态估计方法更快，并且在标准的姿态基准数据集上显示出与现有方法相当的好的效果。

    Feb, 2018

  • 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

  • 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

  • 单阶段 6D 物体位姿估计

    本文介绍了一种基于深度学习的 6D 姿态估计架构，能够直接从对应点回归 6D 姿态，并提出了单阶段 6D 姿态估计框架，能够在准确性和速度方面显著优于现有的双阶段框架。

    Nov, 2019

  • 面向工业拾取的大规模 6D 物体姿态估计数据集

    该论文介绍了一个新的公共数据集，用于工业抽取物品的 6D 物体姿态估计和实例分割，涉及 6D 姿态、可见度分数、分割掩模等注释数据，是目前为止关于垃圾桶拣选 6D 物体姿态估计和实例分割的第一个公共数据集，并且也是物体姿态估计中最大的公共数据集之一，数据集可以在 Link 中公开访问。

    Dec, 2019

  • MV6D: 使用深度点投票网络的 RGB-D 框架多视角 6D 位姿估计

    提出了一种名为 MV6D 的多视角 6D 姿态估计方法，该方法使用多个视角的 RGB-D 图像，通过 DenseFusion 层融合每个视角的图像，可以精确预测杂乱场景中所有对象的 6D 姿态.

    Aug, 2022

  • 多视角多类别物体姿态估计的统一框架

    本文介绍了一种基于深度卷积神经网络的方法，能够通过对特定对象类的分类和姿态回归，从单个或多视图中准确地推断大量对象类的六自由度姿态，并通过 SE（3）的均匀镶嵌提高了鲁棒性。作者还提出了一种适用于单视角存在歧义的高效多视图框架，并在 YCB-Video、JHUScene-50 和 ObjectNet-3D 三个大规模基准测试中取得了优异的表现，与目前现有技术相比表现优秀。

    Mar, 2018

  • 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

  • 多任务多传感器融合的三维物体检测

    本文提出了一种利用多个相关任务进行准确多传感器 3D 目标检测的方法，并展示了一种全面的可学习体系结构，用于推理 2D 和 3D 目标检测以及地面估计和深度完成，在各个层面上融合信息有助于学习更好的表示。 实验表明，所有这些任务是互补的，可以在保持实时性的同时，在 2D、3D 和 BEV 目标检测方面领先 KITTI 基准。

    Dec, 2020

  • 在人群中恢复 6D 物体姿态并预测最佳视角

    本文提出一种基于 Hough Forests 的单个快速检测器和 6D 对象位姿估计算法，利用非监督深度不变 Patch 学习无需手动设计特征，以实现在复杂场景中的目标检测和 6D 位姿估计，并在多个领域超过最先进的方法。

    Dec, 2015