Jun, 2020

用矩阵费歇尔分布进行概率方向估计

PDF
TL;DR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。
probability distributions3d rotationsdeep neural networksmatrix fisher distributionconvex loss
发现论文，激发创造
  • 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

  • 在 SO（3）上使用 Matrix Fisher 分布的贝叶斯态度估计

    本文提出了一种基于矩阵菲舍尔分布的随机贝叶斯态度估计方法，避开四元数表示法的复杂性和奇异性，对于复杂机动引起的大误差或大不确定性具有显著的提高。

    Oct, 2017

  • 一个在 SO (3) 上受拉普拉斯启发的概率旋转估计分布

    本文提出了一种基于 Laplace 分布的 Rotation Laplace 分布，用于解决单 RGB 图像 3DoF 旋转估计的问题，其具有鲁棒性和更好的收敛效果，并在概率和非概率基线上实现了最先进的旋转回归任务表现。

    Mar, 2023

  • 基于层级运动学概率分布的野外图像 3D 人体形状和姿态估计

    通过训练深度神经网络，使用人体运动树结构来估计相对 3D 关节旋转矩阵的分层矩阵费舍尔分布（即身体姿态）和 SMPL 身体形状参数的高斯分布，实现了对 3D 人体形状和姿态的分布性预测，能够有效地量化预测不确定性并从中采样出多种可能的 3D 重建形式，从而解释给定的输入图像。

    Oct, 2021

  • 关于不确定深度旋转学习的 SO (3) 置信度的平滑表示

    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。

    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

  • FisherMatch: 基于熵过滤的半监督旋转回归

    本文提出了一种利用矩阵费舍尔分布来建立旋转的概率模型，通过估计预测不确定性的信息熵来实现伪标签过滤的半监督旋转回归方法，并在不同基准测试中实现了显着和一致的性能提升。

    Mar, 2022

  • 对象姿态估计的学习方向分布

    本研究提出了两种学习方法来估计物体方向的分布，考虑到姿态估计的不准确性和物体的对称性，这些方法能够增强现有的位姿估计器，并在未知对称性的物体上表现出更好的性能。

    Jul, 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

  • 学习从刚体的图像预测未知质量分布的 3D 旋转动力学

    使用多级预测管道，通过图像序列估计和预测三维旋转动力学，采用物理信息神经网络模型，并在旋转对象的合成图像序列数据集上展示了其有效性，包括正方体、棱柱和卫星等物体的未知均匀和非均匀质量分布。

    Aug, 2023