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
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
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
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
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
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
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
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
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