ECCVJul, 2018

视角估计 - 洞见和模型

PDF
TL;DR本文提出了一个能够联合解决检测、分类和视角估计问题的 CNN 结构，并将新类型的数据添加到训练中，在加入几何与新类型数据的情况下提出了一种新颖的损失函数。通过这些方法，网络的性能得到提高，将该问题的最新成果提高了 9.8%。
viewpoint estimationcnndetectionclassificationnovel loss function
发现论文，激发创造
  • 构建多任务 CNN 进行视角估计

    本文比较了不同的物体类别视点估计方法，并提出一种新的联合训练方法，并强调了分类方法的优越性、深度架构和扩展训练数据的好处，并证明了即使使用 ImageNet 训练数据，合成数据也是有益的。结合所有这些因素，我们在 Pascal3D + 数据集上的结果比先前的最新成果提高了约 5％的 mAVP，特别是在 24 个视点分类任务上，将结果从 31.1％提高到 36.1％的 mAVP。

    Sep, 2016

  • 使用使用渲染的 3D 模型视图训练的 CNN 进行图像视角估计

    本研究提出了一种基于渲染图像合成和 CNN 的三维模型视点估计框架，通过构建可扩展且抗过拟合的图像合成流水线和针对视点估计任务的新型 CNN，实现了对 PASCAL 3D + 基准测试的最先进方法的显着优化

    May, 2015

  • 通过重构对齐进行新型物体视角估计

    本文提出了一种新的物体观察视点估计方法，使用图像对齐替代传统的依赖于三维模型或大量特定类别数据的方法，并在多个数据集上进行实验验证。

    Jun, 2020

  • 视点和关键点

    本文利用卷积神经网络解决一个目标在确定视角的情况下，同时识别和估计姿态的问题，并对姿态估计的错误模式和目标特征对性能的影响进行分析。

    Nov, 2014

  • 基于人体关键点的视角估计引导方法

    提出 Click-Here CNN 以整合语义目标关键点信息加权影响图像特征，结合全局图像特征提高模型准确率，实验结果在 PASCAL 3D + 数据集上表现出优异性能。

    Mar, 2017

  • 野外物体少样本检测与视角估计

    本文提出了基于类代表特征和几何相似性的少样本物体检测和视角估计方法，取得了 PASCAL，COCO，Pascal3D+，ObjectNet3D 和 Pix3D 数据集中的最优结果。

    Jul, 2020

  • 少样本视角估计

    通过元学习训练 MetaView 框架中的视角网络，其学习估计特定类别的 3D 形状，相关深度估计和语义 2D 关键点。在 ObjectNet3D 和 Pascal3D + 数据集上进行实验，表明该框架明显优于现有方法且具有重要的体系结构创新。

    May, 2019

  • 实现视角不变的三维人体姿势估计

    提出了一种视角不变的模型，用于从单个深度图像中估计 3D 人体姿态，该模型从一个学习的视角不变特征空间中嵌入局部区域来实现，并采用自下而上的误差反馈机制进行姿态估计，多任务的学习方法可以在噪声和遮挡的情况下选择性地预测局部姿态。通过对一个先前发布的深度数据集和一个包含 10 万个注释深度图像的新收集的人体姿态数据集的评估，实验证明该模型在正面视图上实现了竞争性性能，在替代视角上实现了最先进的性能。

    Mar, 2016

  • 具有几何感知的条件生成半监督视角估计

    本文研究了基于图像对的半监督视角估计方法，该方法可以从未标注的图像对中推断视角信息，并将其应用于视角预测任务。实验表明，该方法在低标注数据情况下表现出色，在半监督视角估计方法中也取得了最佳效果。

    Apr, 2021

  • ViewNet: 无监督条件生成的视角估计

    介绍了一种基于自监督学习的方法，使用透视空间变换器来实现高效的无监督视角学习，从而实现在三维世界中理解物体的探索。

    Dec, 2022