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
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。
Aug, 2021
最近在 6D 物体姿态估计方面的研究主要聚焦于学习图像和物体模型之间的关键点对应关系,并通过基于 RANSAC 的算法或直接通过端到端优化来确定物体姿态。本文主张学习点级别的辨别特征在文献中被忽视,为此,我们重新研究了完全卷积几何特征(FCGF)并针对物体 6D 姿态估计进行了改进,以达到最先进的性能表现。FCGF 采用稀疏卷积并通过优化最难对比损失来学习点级别的特征。通过对损失和输入数据表示进行关键修改、精心调整训练策略以及使用适合该问题的数据增广,我们在流行的基准测试中胜过近期的竞争对手。我们对每个修改进行了全面的剖析来研究其贡献。
Jul, 2023
本研究针对两幅图像之间密集像素对应估计的挑战进行探讨,提出了一种基于粗到细的 CNN 框架,能够扩展光流方法的优势,解决大范围变换并提供密集和亚像素准确估计的问题,并在相对摄像机姿态估计问题上表现优异。
Oct, 2018
本文介绍了一种基于迭代图滤波的框架,用于 3D 人体姿势估计,并通过高斯 - 塞德尔迭代法设计了 Gauss-Seidel 网络架构,利用邻接修正和跳跃连接等方法改善模型性能。实验结果表明,该方法在两个标准数据集上都超过了其他基准方法,达到了最先进性能。
Jul, 2023
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
提出一种基于神经网络模型的新方法,对六自由度抓取姿态进行检测,能够更好地提高单视点云数据的抓取成功率。
Oct, 2022
提出了一种新的框架,将图卷积神经网络(GCNs)和时间卷积神经网络(TCNs)相结合,以强韧地估计无需摄像机参数即可实现相机中心多人 3D 姿态的方法。该方法利用可见关节和骨头信息来估计遮挡或缺失的人体部分信息,并结合使用 GCNs 和 TCNs 的方法。定量和定性评估表明,所提出的方法具有实际应用效果。
Dec, 2020
本文提出了名为 ECFNet 的新型单目深度估计方法,通过单个 RGB 图像准确预测高质量的单目深度,应用了图像边缘信息和深度一致性模块来融合不同来源的初始深度,实现了领先的性能。
Mar, 2024
本文提出了一种利用点云深度信息并结合卷积神经网络和几何姿态优化,分别使用旋转和平移回归网络的方法来估算已知 3D 物体的 6 自由度姿态,其中通过旋转轴角表示旋转并使用测地线损失函数进行回归,实验结果在 YCB-video 数据集上明显优于现有方法。
Jan, 2020