面向稳健和无约束全旋转角度头部姿态估计
本文提出了一种用于无约束端到端头部姿态估计的方法,通过引入旋转矩阵形式主义来解决旋转标签的问题,并提出了连续的 6D 旋转矩阵表示来实现高效和稳健的直接回归,同时为了弥补旋转数据的几何特性,我们使用了基于测地线距离的损失函数。在公共数据集上的实验结果表明,我们每一个方面都超过了其他先进方法,提高了将近 20%。
Feb, 2022
提出了一种混合线性回归方法来进行头部姿态估计,通过使用未监督的流形学习技术和回归混合来映射面部边界框的高维特征向量,并对该算法的四个变体进行了充分的基准测试。
Mar, 2016
本文提出了一种离散连续的旋转回归公式来解决对称物体旋转不确定性问题,并通过点聚集向量来检测物体位置,并在 LINEMOD 和 YCB-Video 基准测试中得到比现有方法更好的表现。
Feb, 2020
本文提出了一个新颖而高效的框架,通过无监督的潜在嵌入聚类与回归和分类组件来优化遮挡和非遮挡图像的潜在特征表示,并改善细粒度角度预测,在野外头部姿势数据集上得到了与最先进方法相当的竞争性能,并具有显著的数据减少优势。我们观察到遮挡头部姿势估计方面有显著改进,并进行了消融实验来验证我们提出的框架中聚类项的影响。
Mar, 2024
本文提出一种基于分割的 6D 姿态估计框架,使用关键点检测获取局部姿态预测,并根据置信度预测将这些姿态候选融合成可靠的 3D-to-2D 对应关系,从而在多个低纹理物体相互遮挡的情况下获得最优姿态估计,其采用简单且高效的架构实现实时性能。
Dec, 2018
本文提出了一种新型的基于 3D 图卷积的流水线,用于从单目 RGB-D 图像中的分类级别 6D 姿态和尺寸估计。提出的方法利用了高效的 3D 数据增强和新型的基于向量的分解旋转表示。实验结果表明,该流水线在分类级别任务上具有最先进的性能。同时,实验证明,所提出的旋转表示比其他旋转表示更适合姿态估计任务。
Dec, 2022
该论文提出了一种从深度回归模型中提取旋转概率估计的方法,并将其扩展到 SO (3) 旋转群的目标上,该方法在合成和真实数据中都获得了良好的结果。
Apr, 2019
我们提出了一种从手持单目视频中估计拥挤真实场景中相机旋转的方法,通过在 SO (3) 上引入 Hough 变换,可在光流中高效而鲁棒地找到与之最相符的相机旋转,且在速度上比其他方法更准确。
Sep, 2023
该论文通过对数据集、头部姿态估计算法和绘制例程的深入研究,提出了从提供的源代码推断坐标系、应用顺序和提取精确旋转矩阵和欧拉角的代码和算法,以及将姿态从一个旋转系统转换到另一个旋转系统的代码和算法,2D 旋转矩阵的新公式,以及旋转矩阵和姿态的正确绘制例程的推导和代码,并讨论了在维基百科和 SciPy 中定义右手坐标系旋转的可行性,从而使全方位头部姿态研究中的欧拉角提取更加容易。
Mar, 2024