CVPRMar, 2023

ARKitTrack：一种利用移动 RGB-D 数据进行跟踪的新多样化数据集

PDF
TL;DR本论文提出 ARKitTrack 数据集，包含 300 个 RGB-D 序列，455 个目标，总计 229.7K 个视频帧和 123.9K 像素级目标遮罩，并提供每个帧的相机内参和相机姿态信息。此外，研究人员还提出了一种新的跨模态 3D 几何一般方法，该方法将 RGB 特征与俯视图表示相结合，以更好地探索交叉模态 3D 几何信息。实验证明，ARKitTrack 数据集可以显著促进 RGB-D 跟踪，并且所提出的基线方法比当前技术水平更具优势。
发现论文，激发创造
  • ARKitScenes: 使用移动 RGB-D 数据的 3D 室内场景理解多样化真实世界数据集

    介绍了 ARKitScenes，这是第一个使用 RGB-D 数据集且具有广泛可用深度传感器的室内场景认知数据集，并分析了数据集的有用性，包括用于 3D 对象检测和颜色引导深度上采样。

    Nov, 2021

  • RGBD1K: 一种用于 RGB-D 物体跟踪的大规模数据集和基准

    本研究关注的是 RGB-D 物体跟踪，并通过发布新的 RGBD1K 数据集和利用此数据集中的 transformer-based RGB-D 跟踪器 (SPT) 作为我们的基线来展示其训练的益处和可潜力以提高 RGB-D 跟踪的性能。

    Aug, 2022

  • DepthTrack: 揭示 RGBD 跟踪的威力

    该论文介绍了一种新的 RGBD 跟踪数据集 - Depth-Track，其中有 200 个序列，40 种场景类型和 90 个对象，并建立了一个新的 RGBD 跟踪基准 DeT，揭示了真正的训练数据对深度 RGBD 跟踪的益处。

    Aug, 2021

  • 基于 RGBD 变形模型和综合移动数据集的亚厘米精度数字双生跟踪

    数字孪生技术在移动增强现实环境中，通过创建精确的物理对象数字副本，对于重塑三维物体追踪和定位场景具有重要潜力。本文基于我们之前的工作《数字孪生追踪数据集》（DTTD），针对移动增强现实环境中的挑战，提出了一种基于转换器的 6 自由度姿态估计器，并引入了使用 iPhone 14 Pro 的创新 RGBD 数据集，通过大量实验和深入分析，证明了我们方法在处理深度数据错误时的有效性，超过现有基线的性能。代码将公开提供。

    Sep, 2023

  • 野外的 RGBD 物体：从 RGB-D 视频中扩展现实世界的 3D 物体学习

    我们介绍了一个名为 WildRGB-D 的新型 RGB-D 物体数据集，该数据集以自然环境中的实际采集为基础，与其他数据集相比，它的直接深度采集使得 3D 标注和下游应用更加准确和广泛。

    Jan, 2024

  • RGBD 数据集：过去、现在和未来

    本文探讨了与 RGBD 数据集有关的八个类别，并提出了一些关于其未来的方向，这有助于研究人员找到适合他们需求的数据，并考虑哪些数据集在推动计算机视觉方向上取得了成功和原因。

    Apr, 2016

  • Matterport3D: 室内环境下 RGB-D 数据的学习

    本文介绍 Matterport3D 数据集，包含 10,800 个全景视图，通过 RGB-D 图片提供了 90 个建筑尺度的场景的表面重建、相机姿态和 2D、3D 语义分割注释等，可用于多种计算机视觉任务，如关键点匹配、视图重叠预测、颜色预测等。

    Sep, 2017

  • RGB-T 对象跟踪：基准与基线

    该研究提出了一个大规模的 RGB-T 追踪视频基准数据集和一种新的基于图的方法，以学习强大的对象表示并实现多源数据融合的自适应融合，对其他最先进的追踪方法进行比较，并提供了对 RGB-T 对象追踪领域的新见解和潜在研究方向。

    May, 2018

  • 用于物体实例检测的多视角 RGB-D 数据集

    介绍了一个新的多视角 RGB-D 数据集，用于目标检测和识别，包括多个识别基准和 AlexNet 模型，证明了该数据集比 Washington RGB-D Scenes 数据集更具挑战性。

    Sep, 2016

  • 用于开发和基准测试主动视觉的数据集

    该论文使用真实影像，聚焦日常室内环境下机器人视觉任务的模拟，构建新的公共数据集。该数据集可用于机器人视觉任务中的物体检测、主动视觉模拟和基于深度学习的强化学习下的下一步动作预测。在使用数据集的过程中，作者发现现有物体检测研究最大的问题是机器人视角对物体尺度，遮挡和方向的影响。

    Feb, 2017