Apr, 2023

HabitatDyn 数据集：动态物体检测与运动学估计

PDF
TL;DR本文提出了一个名为 HabitatDyn 的数据集，其中包含了机器人在移动时所观察到的视频，语义标签和深度信息，以及动力学信息。该数据集采用了合成数据，旨在为机器人视觉和移动带来更大的可扩展性和适应性，以期进一步提高移动机器人的表现能力。
computer visionmachine learningroboticsdatasetsynthetic data
发现论文，激发创造
  • 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

  • 合成数据用于多物体抓握中的快速注释和鲁棒分割

    本研究提出了一种合成数据生成方法，结合小规模真实数据集，通过生成的合成场景数据和深度信息，训练出在物体识别、姿态估计和图像分割等方面表现优越的机器人抓取算法。

    Jan, 2024

  • InteriorNet: 大规模多传感器照片真实室内场景数据集

    本研究提供了一份可扩展性强、真实感更强、规模更大、变异性更强、且在训练和评估深度学习方法、基准测试同时定位和映射（SLAM）方面有更广泛用途的数据集，以支持计算机视觉领域的研究。我们使用数百万个专业室内设计和制作级家具资产进行高分辨率和高帧率视频序列渲染，并支持各种摄像头类型以及惯性测量。同时，我们展示了稀疏和密集 SLAM 算法的基准测试结果。

    Sep, 2018

  • HomebrewedDB：用于 3D 物体 6D 姿态估计的 RGB-D 数据集

    本文介绍了一个新的数据集和基准测试标准，主要针对从 3D 模型（有纹理和无纹理）训练，可扩展性，遮挡，光照和物体外观的变化等方面测试 6D 姿态估计算法的性能，并使用最先进的 DPOD 检测器来设置基线。

    Apr, 2019

  • 生态环境合成场景数据集（HSSD-200）：3D 场景尺度和真实性权衡对于目标导航的分析

    本文介绍 Habitat Synthetic Scene Dataset 数据集，并使用该数据集测试导航代理在逼真的三维环境中的泛化能力，研究合成 3D 场景数据集规模和真实性对于训练全方位代理寻找和导航至目标对象的影响，表明在保证场景真实性的前提下规模优势逐渐缩小，数据量更小的数据集在零样本泛化方面有优势。

    Jun, 2023

  • 家庭物品语义机器人抓取的深度物体姿态估计

    通过使用合成数据，我们提出了一种用于单个 RGB 图像的已知物体 6-DoF 姿态估计的深度神经网络训练方法，成功地跨越了所谓的现实间隙，并通过机器人进行了实时物体姿态估计，取得了与基于真实数据的深度神经网络相当的表现。

    Sep, 2018

  • ROBI: 机器人抓取中反射物体的多视图数据集

    本文介绍了 ROBI（Reflective Objects in BIns）数据集，用于 6D 对象姿态估计和机器人垃圾桶拾取场景中的多视角深度融合。数据集包括 63 个具有高度反射物体的场景，使用两个主动立体相机捕获图像和深度地图进行标注，可评估姿态估计和深度融合算法性能。

    May, 2021

  • 家用物品机器人操作的 6 自由度位姿估计：可访问数据集和基准

    本文介绍了一个新的数据集，用于 6-DoF 姿态估计已知物体，在机器人操作研究方面重要。数据集由一组玩具杂货物品组成，旨在方便机器人抓取和操纵，提供了这些物品的 3D 模型和 RGBD 图像，可用于产生合成训练数据，并提出了一个新的姿态评估指标 ADD-H。

    Mar, 2022

  • 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

  • 仓库拾取放置的 RGBD 物体检测与姿态估计改进数据集

    本论文提供了一个丰富的数据集，针对解决仓库拣选和放置任务时出现的挑战，集中探讨了基于 RGBD 的三维物体姿态估计的状态最新发展。该数据集包括成千上万张图片和相应物体的基准数据，在不同的位置和杂乱程度的条件下使用。以一个近期发展的基于 RGBD 的姿态估计算法为例，进行了评估，并应用各种修改和改进来提高检测的准确性，以提高仓库拾取和放置领域的性能。

    Sep, 2015