【荐读 IEEE TPAMI】Bi-DexHands: 迈向人类水平的双手灵巧操控

最新推荐文章于 2024-05-21 20:30:00 发布
最新推荐文章于 2024-05-21 20:30:00 发布
阅读量729 收藏 25
点赞数 17
分类专栏： 论文解读 IEEE TPAMI 文章标签： 计算机顶会 论文解读 IEEE TPAMI
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/qq_42722197/article/details/138966278
版权
论文解读 IEEE TPAMI 专栏收录该内容
108 篇文章 6 订阅 ¥29.90 ¥99.00
订阅专栏

论文题目

题目：Bi-DexHands: Towards Human-Level Bimanual Dexterous Manipulation

Bi-DexHands: 迈向人类水平的双手灵巧操控

作者：Yuanpei Chen; Yiran Geng; Fangwei Zhong; Jiaming Ji; Jiechuang Jiang; Zongqing Lu; Hao Dong; Yaodong Yang

摘要

实现机器人在灵巧操控方面的人类水平仍然是一个关键的开放问题。即使是简单的灵巧操控任务，由于自由度的高数量和异构代理（例如，手指关节）之间合作的需求，也带来了显著的困难。尽管一些研究人员已经利用强化学习（RL）来控制单手操控物体，但需要双手协调合作的任务仍然未被充分探索，因为适合的环境较少，这可能导致困难和次优性能。为了应对这些挑战，我们介绍了Bi-DexHands，这是一个具有两只灵巧手的模拟器，包含20个双手操控任务和数千个目标对象，旨在基于认知科学研究匹配不同水平的人类运动技能。我们在Issac Gym中开发了Bi-DexHands，使用单个NVIDIA RTX 3090实现了超过30,000帧每秒的高效RL训练。基于Bi-DexHands，我们全面评估了不同设置下的

了解本专栏 订阅专栏 解锁全文
小白学视觉
关注
  • 17
    点赞
  • 踩
  • 25
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
【荐读IEEE TPAMI】神经重建：从单目视频中实时连贯的3D场景重建
小白学视觉
05-13 829
我们提出了一个名为 NeuralRecon 的新框架，用于从单目视频中实时重建三维场景。与先前的方法不同，先前的方法在每个关键帧上分别估计单视图深度图，然后将其融合，我们提出直接通过神经网络顺序地重建每个视频片段的局部表面，表示为稀疏的 TSDF 体积。使用基于门控循环单元（Gated Recurrent Units, GRU）的学习型 TSDF 融合模块来指导网络从先前的片段中融合特征。这种设计允许网络在顺序重建表面时捕获局部平滑先验和全局形状先验，从而实现准确、连贯和实时的表面重建。
【论文速递】TPAMI2022 - 自蒸馏：迈向高效紧凑的神经网络
qq_50757624的博客
01-15 1646
在过去的几年里，深度神经网络取得了显著的成就。然而，神经网络精度的突破总是伴随着计算和参数的爆炸式增长，这导致了模型部署的严重限制。在本文中，我们提出了一种名为自蒸馏的新型知识蒸馏技术来解决这个问题。自蒸馏在神经网络的不同深度附加了几个注意力模块和浅层分类器，并将知识从最深的分类器提炼到较浅的分类器。与传统的知识蒸馏方法不同，教师模型的知识转移到另一个学生模型中，自我蒸馏可以被视为同一模型中的知识转移 - 从深层到浅层。此外，自蒸馏中的附加分类器允许神经网络以动态方式工作，从而导致更高的加速度。
【荐读IEEE TPAMI】无监督去雨：非对称对比学习与自相似性相遇
小白学视觉
05-13 729
大多数现有的基于学习的去雨方法都是在合成的雨-清洁对上进行有监督训练的。合成雨与真实雨之间的领域差距使它们在复杂的真实雨场景中的泛化能力降低。此外，现有方法主要独立利用图像或雨层的属性，很少有方法考虑它们之间的相互排斥关系。为了解决这一困境，我们探索了每层内部的内在自相似性以及两层之间的相互排斥性，并提出了一种无监督的非局部对比学习（NLCL）去雨方法。非局部自相似性图像块作为正样本被紧密地拉在一起，而雨块作为负样本则被显著地推开，反之亦然。
【荐读IEEE TPAMI】Growing Like a Tree: 从图骨架树中识别主干
小白学视觉
05-21 692
作者：Zhongyu Huang; Yingheng Wang; Chaozhuo Li; Huiguang He 源码：https://github.com/zhongyu1998/GTR图神经网络（GNNs）多年来一直以消息传递范式为基础，在广泛的应用领域取得了巨大成功。尽管这一范式具有优雅性，但它为图级任务带来了几个意想不到的挑战，例如长距离问题、信息瓶颈、过度压缩现象和有限的表达能力。在本研究中，我们旨在克服这些主要挑战，并打破图级任务中传统的“节点和边中心”思维模式。为此，我们从信息影响的角度对信
论文阅读 [TPAMI-2022] DE-GAN: A Conditional Generative Adversarial Network for Document Enhancement
weixin_42155685的博客
04-14 664
论文阅读 [TPAMI-2022] DE-GAN: A Conditional Generative Adversarial Network for Document Enhancement 论文搜索(studyai.com) 搜索论文: DE-GAN: A Conditional Generative Adversarial Network for Document Enhancement 搜索论文: http://www.studyai.com/search/whole-site/?q=DE-GAN:+
论文阅读 [TPAMI-2022] Ball $k$k-Means: Fast Adaptive Clustering With No Bounds
weixin_42155685的博客
03-29 907
论文阅读 [TPAMI-2022] Ball kkkk-Means: Fast Adaptive Clustering With No Bounds 论文搜索(studyai.com) 搜索论文: Ball kkkk-Means: Fast Adaptive Clustering With No Bounds 搜索论文: http://www.studyai.com/search/whole-site/?q=Ball+kkkk-Means:+Fast+Adaptive+Clustering+With+No+
【荐读IEEE TPAMI】基于模型的强化学习与独立想象力
小白学视觉
05-18 1012
在基于视觉的交互系统中，世界模型学习行动的后果。然而，在实际场景中，如自动驾驶，存在不可控制的动态，这些动态独立于或与行动信号稀疏相关，这使得学习有效的世界模型变得具有挑战性。为了解决这个问题，我们提出了Iso-Dream++，这是一种基于模型的强化学习方法，具有两个主要贡献。首先，我们优化了逆动力学，鼓励世界模型从环境混合的时空变化中隔离出可控制的状态转换。其次，我们基于解耦的潜在想象进行策略优化，我们将不可控制的状态滚动到未来，并将其与当前可控制的状态自适应地关联起来。
【荐读 IEEE TPAMI】DNA Family_ Boosting Weight-Sharing NAS With Block-Wise Supervisions
小白学视觉
05-13 633
神经架构搜索（NAS）旨在通过机器自动设计神经架构，被认为是自动机器学习的关键步骤。其中一类值得注意的NAS方法是权重共享NAS，它显著提高了搜索效率，并允许NAS算法在普通计算机上运行。尽管备受期待，但这类方法在搜索有效性上存在不足。通过使用泛化界限工具，我们展示了导致这一缺点的原因是潜在的不可靠架构评分，这是由于可能架构的搜索空间过大造成的。为了解决这个问题，我们将一个大型搜索空间模块化为具有较小搜索空间的块，并开发了一组使用蒸馏神经架构（DNA）技术的模型。
论文阅读 [TPAMI-2022] P-CNN: Part-Based Convolutional Neural Networks for Fine-Grained Visual Categoriza
weixin_42155685的博客
04-07 554
论文阅读 [TPAMI-2022] P-CNN: Part-Based Convolutional Neural Networks for Fine-Grained Visual Categorization 论文搜索(studyai.com) 搜索论文: P-CNN: Part-Based Convolutional Neural Networks for Fine-Grained Visual Categorization 搜索论文: http://www.studyai.com/search/whol
数据融合matlab代码-TPAMI-CU-Net:TPAMI-CU-Net
05-22
数据融合matlab代码TPAMI-CU-Net 该存储库是我们题为“用于多模式图像恢复和融合的深度卷积神经网络”的论文的Tensorflow代码。 拟议的CU-Net的网络体系结构。 对于与MIR相关的任务，最终的重建（第4点）由共同的...
NATS-Bench:TPAMI 2021
03-17
神经架构搜索（NAS）吸引了很多关注，并且在过去的几年中被证明可以在大量应用中带来明显的好处。 网络拓扑和网络规模已被视为深度学习模型性能的两个最重要方面，并且社区为神经体系结构的这两个方面催生了许多搜索...
图像矩阵matlab代码-knn-matting:KNNMatting的Python实现，CVPR2012/TPAMI2013http://d
05-23
TPAMI 2013的Python源代码端口 要求 python 3.5（尽管它应该在2.7上运行） 科学的 麻木 matplotlib 斯克莱恩 运行演示 '''python knn_matting.py''' mylambda（λ）是一个常数，用于控制用户对约束的信心 出于速度和...
matlab尺寸检测代码-DSC:CVPR2018（口服）和TPAMI2019
05-20
{IEEE计算机视觉和模式识别会议（CVPR）}， pages = {7454--7462}， 年= {2018}} @article {hu2019direction， 作者= {胡小伟和傅，Chi-Wing和Zhu，Lei和Qin，Jing和Heng，Pheng-Ann}， title = {用于阴影检测和去除...
matlab光场代码-JLDCF:CVPR-2020论文“JL-DCF:JointLearningandDensely-Cooperative
06-01
TPAMI 2021) JL-DCF：RGB-D 显着目标检测的联合学习和密集协作融合框架 (CVPR2020) [][] 用于 RGB-D 显着对象检测及其他的连体网络 (TPAMI2021) [] - 测试代码已发布！ —— :fire: 消息！！！ :fire: JL-DCF 的 ...
性能~问题业务场景稳定性测试
07-25
1
《AI大模型应用》--百度AI 文心一言.zip
07-25
个人深耕AI大模型应用领域积累的成果，希望对您有所帮助。有大模型账号、环境问题、AI大模型技术应用落地方案等相关问题，欢迎详聊，能为您解决问题是我的荣幸！ 个人深耕AI大模型应用领域积累的成果，希望对您有所帮助。有大模型账号、环境问题、AI大模型技术应用落地方案等相关问题，欢迎详聊，能为您解决问题是我的荣幸！ 个人深耕AI大模型应用领域积累的成果，希望对您有所帮助。有大模型账号、环境问题、AI大模型技术应用落地方案等相关问题，欢迎详聊，能为您解决问题是我的荣幸！ 个人深耕AI大模型应用领域积累的成果，希望对您有所帮助。有大模型账号、环境问题、AI大模型技术应用落地方案等相关问题，欢迎详聊，能为您解决问题是我的荣幸！ 个人深耕AI大模型应用领域积累的成果，希望对您有所帮助。有大模型账号、环境问题、AI大模型技术应用落地方案等相关问题，欢迎详聊，能为您解决问题是我的荣幸！ 个人深耕AI大模型应用领域积累的成果，希望对您有所帮助。有大模型账号、环境问题、AI大模型技术应用落地方案等相关问题，欢迎详聊，能为您解决问题是我的荣幸！
b112日常办公用品直售推荐系统-springboot+vue.zip（可运行源码+sql文件+）
最新发布
07-25
日常办公用品直售推荐系统是一个很好的项目，结合了后端（Spring Boot）和前端（Vue.js）技术，实现了前后端分离。 日常办公用品直售推荐系统是一个很好的项目，结合了后端（Spring Boot）和前端（Vue.js）技术，实现了前后端分离。 日常办公用品直售推荐系统是一个很好的项目，结合了后端（Spring Boot）和前端（Vue.js）技术，实现了前后端分离。 日常办公用品直售推荐系统是一个很好的项目，结合了后端（Spring Boot）和前端（Vue.js）技术，实现了前后端分离。 日常办公用品直售推荐系统是一个很好的项目，结合了后端（Spring Boot）和前端（Vue.js）技术，实现了前后端分离。 日常办公用品直售推荐系统是一个很好的项目，结合了后端（Spring Boot）和前端（Vue.js）技术，实现了前后端分离。 日常办公用品直售推荐系统是一个很好的项目，结合了后端（Spring Boot）和前端（Vue.js）技术，实现了前后端分离。
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

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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