Nov, 2023

自监督 6 自由度位姿估计的伪关键点 RKHS 学习

PDF
TL;DR使用可学习的核函数在高维特征空间中提出了一种新的自监督关键点径向投票型 6DoF PE 框架，以缩小仿真和真实领域之间的差距。通过将网络参数从训练于合成数据和合成位姿的源领域逐步演化到训练于真实数据的目标领域，无需真实的基准数据注释。该方法在三个常用的 6DoF PE 数据集上均获得了最先进的性能，并在所有六个适用的 BOP 核心数据集上与全监督方法相媲美，其结果接近于最好的全监督结果的 - 10.8% 至 - 0.3%。
发现论文，激发创造
  • 学习更好的多物体六自由度姿态估计关键点

    通过训练图网络选择一组分散但具有相似分布投票的关键点，从而提高姿势估计的准确性和效率。通过回归网络学习关键点算法，所学习的投票可以与之前的启发式算法相比更准确地回归关键点位置。实验结果表明，KeyGNet 选择的关键点在所有七个数据集上的所有评估指标都提高了准确性，特别是在具有挑战性的 Occlusion LINEMOD 数据集上。当使用 KeyGNet 的关键点进行单物体到多物体的训练时，性能明显提高，从而消除了 SISO-MIMO 差距。

    Aug, 2023

  • 关键点预测下的目标姿态自监督学习

    本文提出了一种基于自监督学习的关键点预测方法来进行相机位姿预测及三维目标物体的在线重建的深度学习网络，并在几个数据集上进行了实验，取得了显著的改进。

    Feb, 2023

  • 基于语义关键点的六自由度物体位姿估计

    本文提出了一种新的方法，使用卷积网络 (ConvNet) 预测语义关键点结合可变形形状模型，从单张 RGB 图像中估计物体的连续六自由度 (6-DoF) 姿态 (三维平移和旋转)，可以应用于基于实例和类别的姿态恢复，且无论是纹理还是无纹理对象均可。实验结果表明，该方法可在杂乱背景下准确地恢复实例和类别物体的 6-DoF 姿态，并在大规模 PASCAL3D+ 数据集上显示出最先进的精度。

    Mar, 2017

  • 单幅 RGB 帧的基于语义关键点的姿态估算

    该论文提出了一种从单个 RGB 图像中估计物体连续 6-DoF 姿态的方法，该方法结合了经卷积网络预测的语义关键点和可变形的形状模型，同时采用了半自动数据生成技术来训练可学习组件，在实验中该方法达到了与现有技术相当的结果。

    Apr, 2022

  • SD-Net: 对称感知关键点预测和领域自适应在抓取场景下的 6D 姿态估计

    通过利用对称感知关键点预测和自训练领域适应（SD-Net）构建新的 6D 姿态估计网络，在解决物体对称性问题和真实场景领域差异问题方面取得了成功，通过在关键点预测阶段引入鲁棒的 3D 关键点选择策略和在领域适应阶段采用学生 - 教师训练方案进行可靠预测与强化学习，SD-Net 在各个评估数据集上取得了最先进的结果。

    Mar, 2024

  • 基于分割的 6D 物体姿态估计

    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

  • 单阶段 6D 物体位姿估计

    本文介绍了一种基于深度学习的 6D 姿态估计架构，能够直接从对应点回归 6D 姿态，并提出了单阶段 6D 姿态估计框架，能够在准确性和速度方面显著优于现有的双阶段框架。

    Nov, 2019

  • 旋转子群投票与姿态聚类用于鲁棒的三维物体识别

    研究了基于局部形状特征的 3D 形状关联性及其在物体识别中的应用，提出了基于核密度估计的鲁棒姿态估计方法，并在含有噪声、杂波和遮挡情况下获得了更好的表现，为基于点云数据的 3D 物体识别设立了新的标杆。

    Sep, 2017

  • PVN3D：一种深度点间 3D 关键点投票网络用于 6DoF 姿态估计

    本文提出了一种基于数据驱动的方法，使用关键点检测和 Hough 投票网络，实现了从单个 RGBD 图像稳健地估算 6DoF 物体姿态，并在多个基准测试中表现出色。

    Nov, 2019

  • 利用 RGB 图像进行少样本泛化学习，估计 6DoF 位姿

    本研究提出一种名为 Cas6D 的级联框架，该框架对六自由度物体姿态进行少样本学习的估计，使用自监督预训练 ViT 积累鲁棒特征、用特征金字塔进一步精炼姿态和借助离散化姿态搜索范围和渐进式缩小姿态搜索范围的特性克服了 6DoF 姿态估计中的一些常见失败模式。该研究表明，相较于 OnePose ++ 和 Gen6D，在 32-shot 设定下，Cas6D 在 LINEMOD 和 GenMOP 数据集上的定位精度分别提高了 9.2％和 3.8％（Proj-5）。

    Jun, 2023