对象姿态估计的学习方向分布

Jul, 2020

Learning Orientation Distributions for Object Pose Estimation

Brian Okorn, Mengyun Xu, Martial Hebert, David Held

TL;DR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。

Abstract

For robots to operate robustly in the real world, they should be aware of their uncertainty. However, most methods for object pose estimation return a single point estimate of the object's pose. In this work, we

robot object pose estimation distribution estimation symmetries uncertainty

发现论文，激发创造

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

深度方向统计学：带有不确定性量化的姿态估计

本文提出一种新颖的概率深度学习模型，通过使用 von Mises 分布预测物体位姿角度的分布，可用于不确定性量化，同时在不同质量的图像下也有较强的鲁棒性，经实验证明其具有竞争力的精度和预测能力。

May, 2018

具有旋转对称性物体的姿态估计

本文介绍了如何使用旋转对称性来进行姿态估计，提出了一种能够通过训练来识别具有旋转对称性的物体的模型，使用未标记的 CAD 模型数据来提高算法性能，并在新的姿态数据集上测试了算法性能。

Oct, 2018

通过学习 RGB-D 特征实现鲁棒的 6D 物体姿态估计

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

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

无死角：从全景图像中定向目标估计

使用全景相机提出了一种使用指向手势的机器人导航直观操作方式，通过反复从全景图像中提取感兴趣区域并投影到透视图像上，消除了用户 / 目标位置约束和指向臂的左 / 右约束，并通过机器学习训练目标对象的可能性进一步提高了估计的准确性。

Aug, 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

基于 Bingham 分布的方向递归估计

探讨了一个基于 Bingham 分布的递归滤波器在方向数据上的应用，并发现这种滤波器可以解决在传统 Kalman 滤波器中不能很好解决的问题，并且在现实应用中易于处理。针对此问题的设置可以很好地用于圆形过滤问题，其呈 180 度对称性，并且易于扩展为四元数以跟踪任意三维方向。

Apr, 2013

将旋转物体检测为高斯分布及其三维泛化

本文提出用高斯分布模型来检测旋转物体，通过使用 Kullback-Leibler 分布测度作为新的回归损失函数，能够有效提高检测性能，同时提出一种高效的基于高斯度量的标签分配策略。实验结果表明，这种方法在二维和三维图像中的性能优于其他方法。

Sep, 2022

关于物体对称性与图像中的 6D 姿态估计

本文研究了对象的对称性与其在图像中的出现之间的联系，并提出了一种基于姿态旋转归一化的简单有效的解决方案，并在 T-Less 数据集上验证了该方法。

Aug, 2019