ECCVAug, 2020

DronePose：基于平滑轮廓损失的三维位姿估计的真实感无人机数据集合成功能

PDF
TL;DR本研究考虑了 UAV 作为合作智能体协助人类用户进行操作的情况，并提出了一种数据综合工具来训练一种单镜头姿态估计模型。通过充分利用不同数据来源的输入，以及引入新的光滑轮廓损失，该模型可以更好地完成目标任务。
uavs3d localisationdata synthesis pipelinemonocular pose estimation modeldifferentiable rendering
发现论文，激发创造
  • SynDrone – 城市场景下多模态无人机数据集

    为了解决现有数据集图片数量有限的问题，本文提出了一个包含图像和三维数据的多模态综合数据集，该数据集包含 28 类的像素级标注，并可用于深度网络架构的有效训练，结果表明其在合成数据和实际数据的适应方面具有良好的前景。

    Aug, 2023

  • UAV-Sim: 基于 NeRF 的无人机感知的合成数据生成

    利用神经渲染的最新进展来改善从高空获取显著场景属性的静态和动态无人机图像合成，并且证明了将最先进的检测模型优化于真实和合成数据的混合数据集上，相比于仅使用真实或合成数据，可以达到显著的性能提升。

    Oct, 2023

  • UAVD4L：无人机六自由度定位的大规模数据集

    设计了一个大规模无人机数据集，采用两阶段的 6 自由度定位流程，利用此方法进行可视化定位，并在新数据集上进行了实验证明其有效性。

    Jan, 2024

  • 多样化的合成数据中的人体姿态对于航空视角人体检测的作用

    我们提出了一个用于多样化合成数据集中人体姿势的框架，该框架利用姿势生成器构造一组新颖的姿势，并使用图像翻译器改变现有合成数据集中的图像以呈现新颖的姿势，同时保持原始风格。通过实验证明，无论合成数据如何被用于训练，以及数据规模如何，利用多样化的合成数据集进行训练都比在少样本情况下使用原始合成数据集对于三个航拍人体检测基准（VisDrone，Okutama-Action 和 ICG）的准确性通常明显更好。

    May, 2024

  • 基于合成数据的鲁棒性类别层次 3D 姿态估计

    本篇论文提出 SyntheticP3D 数据集和 CC3D 方法，结合这两种方法可以实现在只用 10% 的真实数据的情况下，与当前最先进的模型在物体位姿估计方面取得了可与之媲美结果，在采用 50% 的真实数据时还超越了 SOTA 模型 10.4%。

    May, 2023

  • 优化的深度神经网络在纳米无人机上的视觉姿态估计部署

    通过使用深度神经网络进行视觉姿态估计任务的新型自动优化流程，本研究针对小型自主无人机的智能化实现提出了两种不同的神经架构搜索算法，采用一套新颖的软件核心，通过并行超低功耗的片上系统在现成的纳米无人机上执行关键深度神经网络层序列，成功提高了当前技术水平并将推理延迟降低高达 3.22 倍。

    Feb, 2024

  • 基于图像合成的深度 3D 人体姿态估计

    本文提出了一种在 “野外” 环境中进行三维人体姿态估计的解决方案，通过生成大量的具有三维姿势标注的逼真合成图像，并使用这些图像对全身三维姿势进行端对端的卷积神经网络训练，成功地在受控环境（Human3.6M）中优于大多数已发表的作品，并在真实图像（LSP）中展现了有前途的结果。

    Feb, 2018

  • 透视流聚合用于数据受限的 6D 物体姿态估计

    本文提出了一种基于合成图像或少量真实图像训练的 6D 物体位姿估计方法，使用第一网络获得粗略姿态估计后，使用第二网络预测精细的二维对应场，并推断所需的姿态纠正，该方法在显著减少合成图像与真实图像领域差异的情况下具有与需要标注真实图像训练的方法相当的性能，而在使用 20 张真实图像时，它的性能明显优于它们。

    Mar, 2022

  • 通过自主无人机代理进行主动人体姿势估计

    通过使用 NeRF 方法和无人机，本文提出了一个新的系统，利用相机的重新定位来改善 2D 人体姿态估计，从而提高无人机的性能并保持操作安全和效率。

    Jul, 2024

  • 基于聚类的无人机追踪与姿态估计学习

    本文介绍了 NTU-ICG 团队提出的基于聚类学习检测的 LiDAR 技术应用于无人机跟踪和姿态估计的方法，通过两种类型的 LiDAR 传感器对无人机进行三维定位，并结合历史估计填充缺失数据，在 CVPR 2024 UG2+ Challenge 中获得了第五名的成绩。

    May, 2024