![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
物体位姿估计
phy12321
2019年入学研究生在读
展开
-
Estimation with Fast Feature Selection in Robot Visual Navigation
IEEE ROBOTICS AND AUTOMATION LETTERS, 2020本文方法与基于贪心算法的特征选择方案性能相近,但是其时间复杂度为线性,而贪心算法时间复杂度O(n2),对于特征数目较多,成百上千的情况,本文算法能够实时。...原创 2022-01-04 20:30:11 · 858 阅读 · 0 评论 -
Localization and Mapping using Instance-specific Mesh Models 2019
加利福尼亚大学,定位和建图,语义建图,单目本文着重于使用单目相机建立语义地图,包括目标姿态和形状.本文贡献在于,提出了一个针对特定实例的网格模型,该模型可以利用相机图片中提取的语义信息在线优化.1. 简介人工感知技术的基础在于集几何推理和语义内容推理。当前研究的一个主要挑战是在VIO和SLAM算法中如何利用深度学习提供的信息(如语义边缘,目标关键点等)来建立有精确形状,结构和功能的目标...原创 2020-03-10 19:25:23 · 409 阅读 · 0 评论 -
Unsupervised Learning of Shape and Pose with Differentiable Point Clouds && NIPS 2018 论文笔记
第一作者:Eldar Insafutdinov研究机构:Max Planck Institute for Informatics, Intel Labs自己的想法:重投影误差:该方法不需要准确的地面真实相机姿势,因此可以应用于从真实数据中学习使用了位姿估计器集合来解决位姿歧义问题论文解决的问题解决了从一组未标记类别的特定图像中学习精确的三维形状和相机姿态的问题。论文训练了一个卷积网络,通过最小化重投影误差来预测单个图像的形状和姿态:给定一个物体的多个视图,预测的形状到预测相机姿态的投.原创 2020-05-10 13:20:05 · 698 阅读 · 0 评论 -
【论文笔记】基于无监督学习的2D目标三维点云重建 From Image Collections to Point Clouds && 2020
通讯作者:R. Venkatesh Babu第一作者:K L Navaneet研究机构:Indian Institute of Science,加利福尼亚大学,Google Research代码: 代码链接自己的想法:将一个从2D图像生成的点云模型从不同视角进行观察,各个视角的观察都应该符合该模型在对应视角下的投影,这就是循环一致性损失函数的核心思想不需要真值进行监督的代价就是需要复杂的损失函数补充这种监督信息,而且训练过程更加复杂。当然这也更加接近人脑在学习时候的情景。论文解决的问题..原创 2020-05-15 20:12:16 · 1150 阅读 · 0 评论 -
PVN3D: A Deep Point-wise 3D Keypoints Voting Network for 6DoF Pose Estimation 2020 论文笔记
旷视,港科大,物体位姿识别自己的想法:这个是需要先验知识的物体位姿估计,Hough投票思想在3D目标检测任务中取得了非常大的成功,在物体位子估计中又发挥了非常大的作用。的确,点云数据稀疏而无序,在通过聚类算法消除离群点的干扰的前提下,Hough投票思想能够充分发挥每一个点云的作用,最大限度的利用点云数据。最后,基于3D关键点的位姿估计在物体位姿估计任务中表现非常不错,是不是可以考虑应用到...原创 2020-05-03 23:20:02 · 1677 阅读 · 6 评论