May, 2023

一种概率旋转表示对称形状的高效可计算 Bingham Loss 函数

PDF
TL;DR本文研究物体姿态估计中的旋转表示方式，提出了一种在 Bingham 分布下易于实现和计算的负对数似然损失函数，并证明了其对称性能够良好捕捉目标物体的共性。
deep learningobject pose estimationquaternionbingham distributionnll loss function
发现论文，激发创造
  • 强化学习中三维旋转的 Bingham 策略参数化

    提出了一种新的策略参数化方式，Bingham Policy Parameterization（BPP），它可以更好地模拟 Bingham 分布，从而比高斯策略参数化在一系列强化学习任务中具有更好的旋转（四元数）预测能力。

    Feb, 2022

  • 关于不确定深度旋转学习的 SO (3) 置信度的平滑表示

    本文介绍了一种用于学习模型的 Symmetric Matrix 表征方法，它满足平滑性和对单元四元数的置信度建模，可用于机器人感知领域中的精确旋转估计，包括 VO 和对象姿态估计。作者针对点云数据和图像数据进行了实证验证，并证明该方法可有效提高对未知环境及图像的鲁棒性。

    Jun, 2020

  • 对象姿态估计的学习方向分布

    本研究提出了两种学习方法来估计物体方向的分布，考虑到姿态估计的不准确性和物体的对称性，这些方法能够增强现有的位姿估计器，并在未知对称性的物体上表现出更好的性能。

    Jul, 2020

  • 隐式概率密度函数：在旋转流形上的非参数表示

    本研究提出了一种基于非参数分布的单幅图像姿态估计方法，该方法使用神经网络隐式地表示任意姿态的概率分布，并考虑了不确定性和多重对称问题。该方法在处理三维姿态复杂分布时表现优异。

    Jun, 2021

  • 通过旋转拉普拉斯分布实现对 SO（3）的鲁棒概率建模

    本研究提出了一种新的基于 Laplace 分布的旋转概率模型，相较于高斯 Bingham 分布和 Matrix Fisher 模型更具鲁棒性，可以提高旋转回归任务的性能，并在半监督旋转回归和对称对象多解决方案空间等方面具有优势。

    May, 2023

  • 用矩阵费歇尔分布进行概率方向估计

    文章通过使用深度神经网络学习输出矩阵费舍尔分布参数来实现在 3D 旋转集合（$SO (3)$）上估计概率分布；并使用负对数似然损失优化生成具有凸损失的模型从而在 Pascal3D +，ModelNet10-$SO (3)$ 和 UPNA 头部姿势等多个挑战性数据集上获取了 state-of-the-art 的结果。

    Jun, 2020

  • 由二元四元数参数化的欧几里得群上概率密度函数的近似

    本文介绍了一个概率建模的框架，用于从机器人的传感器中融合与合并弱信息以便精确定位厨房中的物体，以及传递不确定信息数据。该框架对包括融合和合并估计在内的操作提供了大量概率分布的表示。

    Jun, 2017

  • 通过表示不变损失优化任意方向物体检测

    本文提出了一种表示不变损失（RIL）方法以优化旋转目标的边界框回归，使用匈牙利匹配算法实现最优回归策略，并提出了一种规范化旋转损失以缓解 OBB 表示中不同变量之间的弱相关性及其不平衡的损失贡献，避免了前述视角不确定度的问题，在遥感数据集和场景文本数据集上的实验结果表明该方法具有一致的显著改进。

    Mar, 2021

  • 基于 Bingham 分布的方向递归估计

    探讨了一个基于 Bingham 分布的递归滤波器在方向数据上的应用，并发现这种滤波器可以解决在传统 Kalman 滤波器中不能很好解决的问题，并且在现实应用中易于处理。针对此问题的设置可以很好地用于圆形过滤问题，其呈 180 度对称性，并且易于扩展为四元数以跟踪任意三维方向。

    Apr, 2013

  • 优化具有连续对称性破缺模型的方法改进

    本文介绍了一种基于规范理论（gauge theory）的优化算法，用于加速表示学习模型在时间序列数据上的收敛速度，并提高诸如矩阵分解和词嵌入模型的解释性。此外，还介绍了一种将现代文字转换为历史词汇的应用实例。

    Mar, 2018