Dec, 2019

ConvPoseCNN: 密集卷积 6D 物体姿态估计

PDF
TL;DR该研究介绍了 ConvPoseCNN，它是一种全卷积架构，能够实现对象位姿的像素级密集预测，包括翻译和方向组件，其中密集方向以四元数形式表示，并使用不同方法对密集方向预测进行聚合，该方法与比较方法相比具有更少的参数和更快的训练速度，而且能够自动学习信任、无遮挡和特征丰富的对象区域。
6d object pose estimationmonocular pose estimationconvposecnndense predictionorientation prediction
发现论文，激发创造
  • PoseCNN: 一种用于混杂场景下六维物体姿态估计的卷积神经网络

    该论文介绍了一种新的卷积神经网络，PoseCNN，可用于解决机器人与真实世界互动时的 6D 目标位姿估算问题，并提供了解决对称物体的新型损失函数和一个大型视频数据集。

    Nov, 2017

  • Self6D: 自监督单目 6D 物体姿态估计

    使用无监督学习的方法进行单眼 RGB 数据下的 6D 物体位姿估计，作者训练了一个神经网络模型，通过真实 RGB-D 数据的自监督模式来提高模型的性能表现，并证明了该方法能够显著地优化模型的性能，超过了其他使用合成数据或领域适应技术的方法。

    Apr, 2020

  • 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

  • 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

  • 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

  • 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

  • OriCon3D: 利用方向和置信度的有效 3D 物体检测

    通过改进的深度卷积神经网络以及多元箱子架构和几何限制，本研究在 KITTI 3D 检测基准测试上确定了更准确的三维对象姿态。

    Apr, 2023

  • 实时无缝单帧六维物体姿态预测

    该论文提出了一种单次操作的方法，可以在不需要多个阶段或检查多个假设的同时，在 RGB 图像中检测对象并预测其 6D 姿态。通过采用新的 CNN 架构和 PnP 算法，该方法可以以 50fps 的速度在 Titan X GPU 上运行，比其他最近的 CNN 方法具有更高的准确性和更适合实时处理。

    Nov, 2017

  • 密集融合：通过迭代密集融合实现 6D 物体姿态估计

    本文提出了 DenseFusion 框架，使用异构网络结构从 RGB-D 图像中估计已知物体的 6D 位姿，并通过端对端迭代位姿细化进一步提高了姿态估计的精度和实时性。实验结果表明，我们的方法在 YCB-Video 和 LineMOD 数据集上优于现有方法，并在实际机器人应用中实现了对物体的抓取和操作。

    Jan, 2019

  • 单幅 RGB 帧的基于语义关键点的姿态估算

    该论文提出了一种从单个 RGB 图像中估计物体连续 6-DoF 姿态的方法，该方法结合了经卷积网络预测的语义关键点和可变形的形状模型，同时采用了半自动数据生成技术来训练可学习组件，在实验中该方法达到了与现有技术相当的结果。

    Apr, 2022