Mar, 2024

改进的基于图像的水下环境姿态回归模型

PDF
TL;DR我们研究了在水下环境中使用基于图像的位姿回归模型进行重定位的性能。利用 PoseNet 和 PoseLSTM，我们能够从单个 RGB 图像准确地回归出 6 自由度的位姿。此外，我们还探索了使用立体相机图像进行数据增强以提高模型的准确性。实验结果表明，这些模型在模拟和清澈水域中都能够达到高准确度，有望在实际的水下导航和检测应用中发挥有效作用。
发现论文，激发创造
  • DeepURL: 水下相对定位的深度姿态估计框架

    本文提出一种基于深度学习的实时自主水下机器人单张图像 6D 相对位姿估计方法，采用基于图像转换的方法进行训练和预测，能够实现对自主水下机器人在不同环境下进行准确位姿的快速估算。

    Mar, 2020

  • PoseNet：一种用于实时六自由度相机重定位的卷积网络

    本文提出了一个稳健而实时的单目六自由度重定位系统，使用卷积神经网络训练完成，无需其他工程或优化过程。

    May, 2015

  • 深度学习相机重定位中的不确定性建模

    使用贝叶斯卷积神经网络实现六自由度视觉重定位系统，并利用其不确定性测量提高室内和户外场景的定位精度，实现实时处理。

    Sep, 2015

  • 深度残差乘法器用于水下图像超分辨率

    本文提出了一种基于深度残差网络的生成模型，用于自主水下机器人对水下图像的单张图像超分辨率 (SISR) 处理，并提供了一个基于对抗训练的 SISR 学习流程。通过评估图像的全局内容、颜色和本地风格信息，我们制定了一个目标函数来监督训练。此外，我们提出了 USR-248，一个大型的数据集，包含三种不同尺寸的水下图像，可用于监督 2x，4x 或 8x SISR 模型的训练。我们的实验表明，我们提出的模型具有非常好的性能，可用于在嘈杂的视觉条件下进行场景理解和注意力建模等应用。

    Sep, 2019

  • 学习少即是多 - 通过三维表面回归实现六自由度相机定位

    本文针对如何从单个 RGB 图像中在给定的 3D 环境中预测 6D 相机姿态这一问题，通过设计并使用一个名为完全卷积神经网络的组件实现了高效、高精度和鲁棒性训练的端到端可训练的管道。令人惊奇的是，网络仅依靠单一视角的约束条件即可自动发现 3D 场景几何，甚至在没有利用场景 3D 模型的情况下，也能比现有技术更优秀。

    Nov, 2017

  • 快速水下图像增强以提升视觉感知

    提出了一种条件生成式对抗网络模型来实现实时水下图像增强，该模型基于全局内容、颜色、局部纹理和样式信息来评估感知图像质量，并使用 EUVP 数据集进行监督学习，可以从匹配和非匹配训练中学习提高水下图像质量，进而进一步提高水下物体检测、人类姿态估计和显著性预测等任务表现。

    Mar, 2019

  • Deep-6DPose：从单个 RGB 图像中恢复 6D 物体姿态

    本文介绍了一种名为 Deep-6DPose 的端到端深度学习框架，可以从单个 RGB 图像中同时检测、分割并恢复目标实例的 6D 姿态。实验表明，Deep-6DPose 比目前基于 RGB 的多阶段姿态估计方法更快，并且在标准的姿态基准数据集上显示出与现有方法相当的好的效果。

    Feb, 2018

  • 水下相机外部姿态跟踪系统的设计、实现和评估

    本文介绍了一种基于 HTC Vive 跟踪系统的外部参考系统，用于实时确定水下摄像机的姿态，并展示了该系统在水下应用中的可行性。

    May, 2023

  • 如何提高基于卷积神经网络的六自由度相机姿态估计

    研究使用卷积神经网络 (CNNs) 和传递学习 (transfer learning) 进行 6 自由度 (6-DoF) 相机位姿估计，通过对数据集特征的研究改进 PoseNet 性能，尤其强调视野对图像分辨率的重要性，给出数据增强方案以减少过拟合，对 LSTM 单元的效果进行了研究，并最终结合这些修改方案优化了单目 CNN 相机姿态估计的性能。

    Sep, 2019

  • 基于深度 Transformer 网络的舰载无人机单目姿态估计

    通过深度 Transformer 网络，使用单目图像估计无人机相对于船舶的 6D 姿态，采用合成数据集和 2D 关键点标注，利用 Transformer 神经网络模型检测关键点并估计各个部位的 6D 姿态，并通过贝叶斯融合整合估计结果，在合成数据和实地飞行实验中测试，表明对于不同光照条件具有鲁棒性和准确性，位置估计误差分别为合成数据的船距离的约 0.8% 和实地飞行实验的船距离的约 1.0%，具有船舶自主无人机降落和导航的潜在应用。

    Jun, 2024