基于合成数据的运动相机标定
该研究聚焦于足球广播视频的摄像头校准和现有科学社区的限制,并通过深度学习技术和大规模数据集的发布来提高现有体育动作捕捉算法的性能。
Apr, 2021
本篇论文提出 SyntheticP3D 数据集和 CC3D 方法,结合这两种方法可以实现在只用 10% 的真实数据的情况下,与当前最先进的模型在物体位姿估计方面取得了可与之媲美结果,在采用 50% 的真实数据时还超越了 SOTA 模型 10.4%。
May, 2023
本文研究了如何通过部分体育场地登记和联合优化 3D 姿势估计和相机标定来提取 3D 运动学数据,生成了一个 10K 张图像的合成数据集来展示现有单目 3D HPE 方法的局限性。
Apr, 2023
本文提出了一种基于合成图像或少量真实图像训练的 6D 物体位姿估计方法,使用第一网络获得粗略姿态估计后,使用第二网络预测精细的二维对应场,并推断所需的姿态纠正,该方法在显著减少合成图像与真实图像领域差异的情况下具有与需要标注真实图像训练的方法相当的性能,而在使用 20 张真实图像时,它的性能明显优于它们。
Mar, 2022
相机校准在体育分析领域中是一个至关重要的组成部分,它作为从广播图像中提取 3D 信息的基础。然而,目前的基准标准阻碍了相机校准研究的进展。为了克服这些限制,我们设计了一个名为 ProCC 的新基准协议,并通过对世界杯 2014、CARWC 和 SoccerNet 数据集的实验证明,我们的基准协议提供了更公平的相机校准方法评估。通过明确我们对适当基准的要求,我们希望为具有高精度标准的体育应用的相机校准开辟新的阶段。
Apr, 2024
本文介绍了 SynthCal(一个合成相机校准基准测试管道),它生成校准图案的图像来测量相机参数,并在相机参数估计中实现准确量化,其中包括四种常见模式、两种相机类型和两种环境,评估单视图校准算法通过测量相同模式和相机设置的重投影和均方根误差,并使用 Zhang 方法分析不同模式的显着性)且实验结果证明了 SynthCal 在评估各种校准算法和模式方面的有效性。
Jul, 2023
该研究提出了一种基于数据驱动的优化方法,用于长期跟踪 6D 姿态,通过使用新颖的神经网络架构和有效的 Lie 代数 3D 方向表示法,可以同时减少域偏移,实现在虚拟数据集和真实图像上的更好表现。
Jul, 2020
提出了一种端到端的姿态估计框架,结合深度学习和几何视觉解决机器人姿态的问题,并利用自我监督的方法以及深度学习的技术训练神经网络,最终在真实环境的两个公共数据集上验证了该方法的有效性,并将其应用于视觉伺服系统中。
Feb, 2023
通过使用合成数据,我们提出了一种用于单个 RGB 图像的已知物体 6-DoF 姿态估计的深度神经网络训练方法,成功地跨越了所谓的现实间隙,并通过机器人进行了实时物体姿态估计,取得了与基于真实数据的深度神经网络相当的表现。
Sep, 2018