Monocular 3D Scene Understanding with Explicit Occlusion Reasoning

最新推荐文章于 2022-09-14 17:41:16 发布
最新推荐文章于 2022-09-14 17:41:16 发布
阅读量931 收藏
点赞数
分类专栏： occlusion-遮挡问题
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jideljd_2010/article/details/21080701
版权

背景

用可移动的摄像机来做单目的场景理解，应用场景可以包括机器人、交通安全、辅助驾驶、自动驾驶等。文章中主要是对交通的场景分析

Motivation

在单目且是移动的相机上做场景理解是一个很难的任务，在现有的方法中，3D 场景model可以解决这个问题，但是遮挡问题还是不能很好的解决，现有的方法对于长时间的遮挡和一直处于遮挡的情况不能很好的处理，作者就是要解决这个问题。

Overall Process


Kidd-Liu
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
occlusion reasoning for multiple object tracking
09-05
abstract:Occlusion reasoning for visual object tracking in uncontrolled environments is a challenging problem. It becomes significantly more difficult when dense groups of indistinguishable objects ...
关于scene understanding场景理解概念的理解
热门推荐
自己的学习笔记
02-01 1万+
Scene understanding 场景理解感觉定义并不是十分明确，找了几个供参考。 LSUN Challenge 大规模场景理解比赛 INTRODUCTION The PASCAL VOC and ImageNet ILSVRC challenges have enabled significant progress for object recognition in the past
Unified Perceptual Parsing for Scene Understanding(UPerNet)
Nick Blog
05-09 3231
Title Unified Perceptual Parsing for Scene Understanding 标题 统一感知解析网络用于场景理解 pdf地址 https://arxiv.org/pdf/1807.10221.pdf 摘要   人类对世界的视觉理解是多层次的，可以轻松分类场景，检测其中的物体，乃至识别物体的部分、纹理和材质。在本文中，旷视科技提出一种称之为统一感知解析（Unified Perceptual Parsing/UPP）的新任务，要求机器视觉系统从一张图像...
Occlusion Reasoning for Object Detection under Arbitrary Viewpoint总结
jideljd_2010的专栏
03-16 1002
上传一个ppt吧，ppt总结的比较好,上传文件待审核，改天加链接 Background 本文提出了一个能在任意角度下表示被遮挡物体的模型，帮助被遮挡物体的识别。 Motivation 解决遮挡问题是很有必要的，对于人造的物体，一个比较特殊的地方在于没有很多的纹理特征，这样对于基于特征点的检测、匹配来说比较困难；其次现有的算法并没有考虑任意角度、严重遮挡、缺少纹理这三者结合的问题
Scene understanding 场景理解
hxxjxw的博客
02-04 752
depth estimation 深度估计属于场景理解
点云上的深度学习及其在三维场景理解中的应用————3D Scene Understanding with PointNet and PointNet++（三）
weixin_45947476的博客
10-29 1138
最近在学3D方向的语义分析。 师兄推荐了一个哔哩大学的将门创投 | 斯坦福大学在读博士生祁芮中台：点云上的深度学习及其在三维场景理解中的应用！的宝藏视频，我会多看几遍，并写下每次观看笔记。up主的个人网页：http://stanford.edu/~rqi 下文的截图都源自讲解的PPT，在我的资源：祁芮中台点云讲解.pdf 全篇手码，内容较多会持续更新。 带问号的句子都是乘上引下的重点作用，文章分为三篇，这是第二篇，请耐心食用。 正文继续 ...
Superpixel Soup_ Monocular Dense 3D Reconstruction of a Complex Dynamic Scene
11-28
来一碗超像素鸡汤：Superpixel Soup_ Monocular Dense 3D Reconstruction of a Complex Dynamic Scene1911.09092
PhysCap: Physically Plausible Monocular 3D Motion的粗浅翻译
02-13
标题中的"PhysCap: Physically Plausible Monocular 3D Motion"是指一种技术，它能够通过单目（monocular）图像来捕捉并生成符合物理规律的三维运动。这种技术在虚拟现实、游戏开发、动画制作等领域有着广泛的应用，...
3D-3D-Bounding-Boxes-From-Monocular-Images.zip
09-17
3D-3D-Bounding-Boxes-From-Monocular-Images.zip,基于刚体变换的两阶段多模态损失模型,3D建模使用专门的软件来创建物理对象的数字模型。它是3D计算机图形的一个方面，用于视频游戏，3D打印和VR，以及其他应用程序。
Visual-Inertial Monocular SLAM with Map Reuse.pdf
04-06
problem of a monocular camera, with its well-known scale ambiguity. We also propose a novel IMU initialization method, which computes the scale, the gravity direction, the velocity, and gyroscope ...
Scene-Understanding:室内语义分割
04-30
语义分割 用SegNet进行室内语义分割。 依赖 数据集 按照 下载 SUN RGB-D 数据集，放在 data 目录内。 $ wget http://3dvision.princeton.edu/projects/2015/SUNrgbd/data/SUNRGBD.zip $ wget http://3dvision.princeton.edu/projects/2015/SUNrgbd/data/SUNRGBDtoolbox.zip 架构 ImageNet 预训练模型 下载 放在 models 目录内。 用法 数据预处理 该数据集包含SUNRGBD V1的10335个RGBD图像，执行下述命令提取训练图像： $ python pre-process.py 像素分布： 数据集增强 图片 分割 图片 分割 训练 $ python train.py 如果想可视化训练过程，可执行： $ t
MyDLNote-360camera: ECCV 2020 结合室内全景图像的三维布局和深度预测
u014546828的博客
12-03 1542
Abstract In this paper, we propose a method which jointly learns the layout prediction and depth estimation from a single indoor panorama image. Previous methods have considered layout prediction and depth estimation from a single panorama image se...
Cooperative Holistic Scene Understanding： Unifying 3D Object, Layout, and Camera Pose Estimation2018
phy12321的博客
02-22 994
加利福尼亚大学洛杉矶分校, RGB，整体场景理解（目标检测、布局检测、相机位姿预测） 总结： 以单个RGB图像为输入，提出了一种实时（2.5fps）恢复三维室内场景的端到端模型，包括三维房间布局、相机位姿和目标边界框。引入三维目标框的参数化和二维投影loss，增强了二维与三维的一致性，设计了可微的协同loss，有助于两个主要模块的协同高效训练。 以往的三维重建和整体场景理解通过增加一些2D-3...
MGNet：自动驾驶的单目几何场景理解 MGNet: Monocular Geometric Scene Understanding for Autonomous Driving
SHS_JAVA的博客
09-14 956
首次提出了单目几何场景理解，并将单目几何场景理解定义为全景分割和自监督单目深度估计（场景理解是计算机视觉中的一个大类，图像分割，检测，识别都算是里面的一种任务，这个定义有点勉强了，还以为是国人，没想到是英文名字）。本文注重于提升响应速度。在KITTI和Cityscapes上进行了测试，效果良好。
论文翻译：Deep Occlusion Reasoning for Multi-Camera Multi-Target Detection
scut_salmon的博客
01-01 1464
来源：ICCV2017 Abstract         单个2D图像中的人物检测近年来已经得到大大改善。 然而，这一进展很少渗透到多摄像机多人追踪算法中，当场景变得非常拥挤时，其检测性能仍然严重恶化。 在本论文中，我们引入了一个新的架构，结合了卷积神经网络和条件随机场来明确地模拟这些模糊。 其中一个关键要素是高阶CRF术语，模拟潜在的阻塞，并且即使在许多人在场的情况下，我们的方法仍然具有鲁棒
论文笔记-Towards Scene Understanding-Unsupervised Monocular Depth Estimation
kingsleyluoxin的博客
08-12 1054
论文信息 标题： Towards Scene Understanding: Unsupervised Monocular Depth Estimation with Semantic-aware Representation 作者：Po-Yi Chen, Alexander H. Liu, Yen-Cheng Liu, Yu-Chiang Frank Wang 机构：National Taiwan University, Georgia Institute of Technology, MOST Jo..
重读经典（点云深度学习开山之作）：《Deep learning on point clouds for 3D scene understanding》(持续更新中)
10点43的博客
03-13 3744
本文介绍的是 PointNet 作者的博士论文：3D场景理解中的点云深度学习。从上图可以看到，整个博士论文主要贡献有两块：一是点云深度学习的网络架构（PointNet 和 PointNet++）；二是在3D场景理解中的应用（frustum-pointnets 和 FlowNet3D）。在本文中，将会按照博士论文篇幅顺序对 PointNet 和 PointNet++ 再进行一次解读。关于后面两章其应用感兴趣的朋友可以看论文原文，这里就不在介绍了。 Abstract 参考文献 论文链接：Deep L.
关于occlusion的综述
jideljd_2010的专栏
03-12 4046
必要性 理论 遮挡分为三种类型：自遮挡、物体相互遮挡、背景遮挡。遮挡问题最难的地方在于在遮挡检测中，遮挡并不能够被直接检测到。在复杂环境检测遮挡可以用多视角来解决。 方法、模型 应用
什么是场景理解
qq_34650787的博客
05-02 6244
author ：一颗行走的大白菜 有两篇文章以供参考，为保持原汁原味，不做翻译。 paper 1 Hoiem, D., Hays, J., Xiao, J. et al. Int J Comput Vis (2015) 112: 131. https://doi.org/10.1007/s11263-015-0807-z Scene understanding is the abil...
Dimension Embeddings for Monocular 3D Object Detectio
最新发布
08-16
"Dimension Embeddings for Monocular 3D Object Detection" 可以翻译成“单目三维物体检测的维度嵌入”。该研究的主要目的是通过在二维图像中检测物体并使用维度嵌入来估计物体的三维边界框。在这种方法中，模型...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值