基于自监督的模拟到现实迁移的无标记相机与机器人姿态估计
这篇论文介绍了一个机器人系统,可以通过自主学习的方式进行物体位姿估计,并通过环境中的物体抓取或推动的交互方式持续收集数据并完善其位姿估计模块,从而提高对象分割和 6D 姿态估计的性能。
Sep, 2019
使用无监督学习的方法进行单眼 RGB 数据下的 6D 物体位姿估计,作者训练了一个神经网络模型,通过真实 RGB-D 数据的自监督模式来提高模型的性能表现,并证明了该方法能够显著地优化模型的性能,超过了其他使用合成数据或领域适应技术的方法。
Apr, 2020
本文提出了一种基于自监督学习的框架,利用单个基于零件的 2D 木偶模型、人体姿势约束和一组未配对的 3D 姿势来区分摄像机捕捉的人体姿态中的变化,从而在不同视频中提高多个任务的性能,包括 3D 姿势估计和部分分割。
Apr, 2020
本文研究了基于单目视觉技术的 3D 人体姿势估计问题,提出利用无监督域自适应方法,引入包含两个输出头的 MRP-Net 网络,利用预测不确定性实现模型适应和泛化,并取得了在各项基准测试中的最优性能。
Mar, 2022
该研究提出了 MarkerPose,一个基于三个圆形平面目标和立体视觉系统的强韧实时姿态估计系统,其包括用于 marker 点检测的像素级准确键点定位和分类的 SuperPoint 网络以及用于亚像素级准确键点检测的轻量级椭圆分割网络。该方法通过立体测量来估计 marker 的姿态,具有更高的精度和抗噪声性能,适用于需要高精度姿态估计的 3D 自由手超声系统中。
May, 2021
本文介绍了一种利用自监督学习估算不需要人工标注的静态背景下单个人物的 2D 视频帧生成 3D 人体姿势的方法。作者采用射线投射技术进行人体模板的渲染,使神经网络可以对渲染结果进行优化,从而获得了令人满意的结果。
Oct, 2022
本文提出了一种基于学习的单摄像头动作捕捉模型,通过神经网络权重优化预测 3D 形状和骨架配置,结合合成数据的强监督和可微渲染的自监督,实现了在测试时间自适应,并展示了比传统优化方法更好的效果。
Dec, 2017
自我监督方法通过多视角输入图像和伪造姿势进行 3D 姿势估计,不需要 2D 或 3D 真实姿势标签,并且其有效性与完全监督方法相当。
Apr, 2024
本研究提出了一种新的自我监督框架,用于三维姿势传输,并利用潜空间中的对比学习约束,实现无监督,半监督和全监督设置下的对比度学习。实验结果表明,我们的方法在受监督的 3D 姿势转移方面取得了最先进的结果,在无监督和半监督设置中取得了可比较的结果。
Apr, 2023
本文提出了一种迭代的自我训练框架,以促进成本效益的机器人抓取,该框架用于实现基于模拟的对象姿态估计,并不断改进以更好地预测真实数据,并在公开基准测试和作者新发布的数据集上取得了显著的提高。
Apr, 2022