G2L-Net:面向实时 6D 姿态估计的全局到局部网络与嵌入向量特征
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
本文提出了一种新型的基于 3D 图卷积的流水线,用于从单目 RGB-D 图像中的分类级别 6D 姿态和尺寸估计。提出的方法利用了高效的 3D 数据增强和新型的基于向量的分解旋转表示。实验结果表明,该流水线在分类级别任务上具有最先进的性能。同时,实验证明,所提出的旋转表示比其他旋转表示更适合姿态估计任务。
Dec, 2022
本文提出了一种快速形状网络(FS-Net),用于从单眼 RGB-D 图像中实现类别级 6D 姿态和大小的估计,该网络具有高效的类别级特征提取方法和新颖的解耦式旋转机制,该方法在两个基准数据集上实验表明取得了最佳性能。
Mar, 2021
该论文提出了一种解决全局定位问题的方法,通过使用基于 Siamese LocNets 的半手工表示学习方法,在全局先验地图中实现了场所识别和尺度姿态估计,并且提出了一个使用仅距离观测的全局定位框架。通过 KITTI 数据集和自主收集的多个数据集的实验结果表明,该系统能够实现高精度的全局定位。
Dec, 2017
本文提出了一种离散连续的旋转回归公式来解决对称物体旋转不确定性问题,并通过点聚集向量来检测物体位置,并在 LINEMOD 和 YCB-Video 基准测试中得到比现有方法更好的表现。
Feb, 2020
本文通过将旋转分解为视角旋转和平面内旋转的组合,提出了一种名为 VI-Net 的新型旋转估计网络,用于解决 6D 物体姿态估计中高精度的 RGB-D 物体观测的旋转估计难题。通过基于球面的特征学习,在两个不同分支上进行估计,并通过神经网络实现视角旋转和平面内旋转的估计。通过实验证明了该方法在高精度情况下较现有方法的优越性,尤其在无 CAD 模型情况下的类别级 6D 物体姿态估计任务中。
Aug, 2023
通过使用全局本地自适应图卷积网络 (GLA-GCN) 并利用地面实况数据,作者针对 3D 人体姿势估计中的姿势抬升问题提出了一种简单而有效的模型设计,实验证明该设计在三个基准数据集上表现出了明显的优于现有方法的效果。
Jul, 2023
本文提出了一种面对各种几何变换,特别是旋转的局部到全局表示学习算法,该算法利用基于图卷积神经网络的多级抽象构建描述符层次结构,以自底向上的方式对输入对象的旋转不变形状信息进行编码,并通过对三维点的随机采样有效地使学习到的表示对输入数据的变化具有鲁棒性。该算法在旋转增强的三维物体识别和分割基准测试上表现出最先进的性能。
Oct, 2020
本论文提出了一种基于局部图表示的点云学习框架,通过学习内部的三维几何特征并使用基于图卷积网络的特征提取网络来实现三维变换不变性,这种方法在分类和分割任务中取得了最先进的性能和有竞争力的性能,具有重要的研究意义。
Dec, 2018
4D-Net 是一种使用 3D 点云和 RGB 感知信息,利用动态连接学习和几何约束来进行三维物体检测的方法。在 Waymo Open Dataset 上,相较于现有方法和强基线,其利用运动线索和密集图像信息更能成功检测到远处的物体。
Sep, 2021