Aug, 2021

PR-GCN: 一种带有点细化的深度图卷积网络，用于六维姿态估计

PDF
TL;DR本研究提出了一种图卷积网络和点细化相结合的深度学习方法，并分别引入了 “Point Refinement Network（PRN）” 和 “Multi-Modal Fusion Graph Convolutional Network（MMF-GCN）” 进行 RGB-D 数据的联合处理，实验结果表明该方法在三个广为使用的基准测试上取得了最佳的性能表现，并可推广到其他框架。
6d pose estimationrgb-dgraph convolutional networkpoint refinementmulti-modal fusion
发现论文，激发创造
  • PointRGCN：用于三维车辆检测细化的图卷积网络

    提出了 PointRGCN—— 一种基于图卷积网络（GCN）的图形三维物体检测管道，该管道专门用于对三维 LiDAR 点云进行操作，包含 R-GCN 和 C-GCN 的残差 GCNs 的集成，使用图形表示对三维物体提议进行了改进，并在 bird eye 视图检测任务的简单难度上实现了最先进的性能。

    Nov, 2019

  • JGR-P2O: 基于联合图推理的基于像素偏移预测网络，用于从单个深度图像估计三维手部姿势

    本研究提出一种基于像素预测的手部姿态估计方法，采用图卷积网络进行关节图形化推理并将像素偏移量预测与直接关节回归统一进行端到端训练，实现了最先进的准确度，并且在单个 NVIDIA 1080Ti GPU 上以约 110fps 的速度高效运行。

    Jul, 2020

  • GDR-Net: 基于几何引导的单目 6D 物体位姿估计直接回归网络

    本研究比较了直接和间接方法，提出了一种几何引导的直接回归方法（GDR-Net）来从几何表示学习 6D 位姿，结果显示我们的方法在 LM, LM-O 和 YCB-V 数据集上显著优于现有的最先进技术

    Feb, 2021

  • DGECN: 一种深度引导的边缘卷积网络用于端到端 6D 姿态估计

    本研究提出了一种利用深度引导的边缘卷积网络来进行单目 6D 姿态估计的方法，从估计深度信息、改进 2D-3D 对应中的几何信息和拓扑关系、边缘卷积算法等方面出发来提高输出 6D 姿态的精度和鲁棒性，并在实验中展示出提出的网络在效果和效率上均超过现有的对比算法。

    Apr, 2022

  • 全局 - 局部自适应图卷积网络 用于 3D 人体

    通过使用全局本地自适应图卷积网络 (GLA-GCN) 并利用地面实况数据，作者针对 3D 人体姿势估计中的姿势抬升问题提出了一种简单而有效的模型设计，实验证明该设计在三个基准数据集上表现出了明显的优于现有方法的效果。

    Jul, 2023

  • 基于点感知交互和卷积神经网络引导的 RGB-D 显著目标检测网络

    通过将 RGB 图像和深度图的互补信息整合，提升了对复杂和具有挑战性场景的显著对象检测（SOD）的能力。我们引入了 CNN 辅助 Transformer 架构，并提出了一种新的 RGB-D SOD 网络，具备点感知交互和 CNN 诱导细化的特点。在实验证明，所提出的网络在定量和定性比较中取得了竞争性的结果。

    Aug, 2023

  • 多图卷积网络用于姿态预测

    本文提出了一种基于多图卷积网络 (MGCN) 的三维人体姿势预测方法，该方法结合自然结构和序列注意力，同时捕获空间和时间信息，并在人体运动预测的基准数据集上表现出比现有方法更好的效果。

    Apr, 2023

  • 多维度细化图卷积网络与健壮解耦损失用于细粒度基于骨架的动作识别

    本文提出了一种灵活的注意力模块 CVSTA，可以提高时空关节的判别能力，进而构建了一种多维精细化的图卷积网络 MDR-GCN，加之结合了鲁棒分离损失函数 RDL，成功地提升了骨架动作识别的准确率。

    Jun, 2023

  • MSR-GCN：多尺度残差图卷积网络用于人类运动预测

    本文提出一种新的多尺度残差图卷积网络（MSR-GCN），以端到端的方式进行人体姿态预测，该方法在细到粗的尺度上提取特征，然后在粗到细的尺度上进行特征的组合和解码，通过在所有预测姿势上施加中间监督来强制网络学习更具代表性的特征，实验证明该方法优于现有的最优方法。

    Aug, 2021

  • 基于树结构图卷积的 3D 点云生成对抗网络

    本文提出了一种名为 tree-GAN 的新型生成对抗网络用于 3D 点云生成，并引入树形图卷积网络 (TreeGCN) 作为 tree-GAN 的生成器以提高特征的表示能力，通过引入评估指标 FPD 来准确评估 3D 点云 GAN，实验结果表明了 tree-GAN 在传统度量和 FPD 方面都优于现有的 GAN，并且可以生成不同语义部分的点云。

    May, 2019