Jun, 2020

关于不确定深度旋转学习的 SO (3) 置信度的平滑表示

PDF
TL;DR本文介绍了一种用于学习模型的 Symmetric Matrix 表征方法，它满足平滑性和对单元四元数的置信度建模，可用于机器人感知领域中的精确旋转估计，包括 VO 和对象姿态估计。作者针对点云数据和图像数据进行了实证验证，并证明该方法可有效提高对未知环境及图像的鲁棒性。
发现论文，激发创造
  • 学习与三维旋转，SO (3) 的自助指南

    这篇论文综述了旋转表示的选择问题，阐述了其在深度学习与基于梯度优化的问题中的优劣性，提供了基于输入输出是否包含旋转以及数据是否主要由小角度构成的情况下选择合适表示的指导。

    Apr, 2024

  • 通过诱导和限制表示进行等变单视角姿态预测

    从二维图像中学习关于三维世界的知识是计算机视觉中的一个基本问题，本文提出了一种学习三维表示的算法，满足几何一致性约束，并在三个姿态预测任务中取得了 SOTA 结果。

    Jul, 2023

  • 通过旋转拉普拉斯分布实现对 SO（3）的鲁棒概率建模

    本研究提出了一种新的基于 Laplace 分布的旋转概率模型，相较于高斯 Bingham 分布和 Matrix Fisher 模型更具鲁棒性，可以提高旋转回归任务的性能，并在半监督旋转回归和对称对象多解决方案空间等方面具有优势。

    May, 2023

  • 用矩阵费歇尔分布进行概率方向估计

    文章通过使用深度神经网络学习输出矩阵费舍尔分布参数来实现在 3D 旋转集合（$SO (3)$）上估计概率分布；并使用负对数似然损失优化生成具有凸损失的模型从而在 Pascal3D +，ModelNet10-$SO (3)$ 和 UPNA 头部姿势等多个挑战性数据集上获取了 state-of-the-art 的结果。

    Jun, 2020

  • 使用四元数平均和深度多头网络进行旋转的概率回归

    该论文提出了一种从深度回归模型中提取旋转概率估计的方法，并将其扩展到 SO (3) 旋转群的目标上，该方法在合成和真实数据中都获得了良好的结果。

    Apr, 2019

  • 用于无限制头部姿态估计的 6D 旋转表示

    本文提出了一种用于无约束端到端头部姿态估计的方法，通过引入旋转矩阵形式主义来解决旋转标签的问题，并提出了连续的 6D 旋转矩阵表示来实现高效和稳健的直接回归，同时为了弥补旋转数据的几何特性，我们使用了基于测地线距离的损失函数。在公共数据集上的实验结果表明，我们每一个方面都超过了其他先进方法，提高了将近 20％。

    Feb, 2022

  • 点云识别的离散旋转等变性

    该论文提出了一种深度学习架构，能够在点云识别中实现离散的 SO（2）/SO（3）旋转等变性，通过消除置换并进行操作，提升了任何现有点云网络的性能，并在各种旋转下，展示了分类任务的最新成果。

    Mar, 2019

  • 使用球形 CNN 学习 SO (3) 等变表示

    论文提出通过多值球面函数和在球谐域中实现球面上的准确卷积来解决 3D 卷积神经网络中的 3D 旋转等变性问题，进而提供了一种局部对称且通过平滑的频谱实现本地化滤波器的方法，同时还实现了一种用于谱域的新型池化技术，这些操作使得网络不需要过多的容量和数据增强即可在标准检索和分类基准测试中与现有的最先进性能相当。

    Nov, 2017

  • 深度旋转估计中 SVD 分析

    本研究探讨了将奇异值分解正交化应用于神经网络的三维旋转问题，并表明该方法在计算机视觉中取得了优于现有方法的效果。

    Jun, 2020

  • 隐式概率密度函数：在旋转流形上的非参数表示

    本研究提出了一种基于非参数分布的单幅图像姿态估计方法，该方法使用神经网络隐式地表示任意姿态的概率分布，并考虑了不确定性和多重对称问题。该方法在处理三维姿态复杂分布时表现优异。

    Jun, 2021