CVPR2020文章汇总 | 点云处理、三维重建、姿态估计、SLAM、3D数据集等(12篇)

点击上方“3D视觉工坊”,选择“星标”

干货第一时间送达

1.PVN3D: A Deep Point-wise 3D Keypoints Voting Network for 6DoF PoseEstimation

文章链接:https://arxiv.org/abs/1911.04231

代码链接:https://github.com/ethnhe/PVN3D

在这项工作中,论文提出了一种新的数据驱动下的方法,可以从单一的RGB-D图像中进行鲁棒的6自由度物体姿态估计。与往前直接回归姿态参数的方法不同,本文使用基于关键点的方法来处理这一具有挑战性的任务。具体地说,提出了一个深度Hough投票网络来检测物体的三维关键点,并使用最小二乘拟合的方式估计6D姿态参数。论文的方法是二维关键点方法的自然扩展,成功地用于基于RGB的六自由度估计。它可以充分利用具有额外深度信息的刚性物体的几何约束,便于网络学习和优化。通过大量的实

  • 2
    点赞
  • 16
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
CVPR 2018是计算机视觉和模式识别领域的顶级会议,遥感影像三维重建是其讨论议题之一。遥感影像三维重建是通过利用遥感影像数据,结合计算机视觉和图像处理技术,实现对地球表面物体的三维模型重建。 在CVPR 2018中,有许多关于遥感影像三维重建的研究论文被发表。这些研究着眼于提高重建精度、加速计算过程和提升稳定性等方面。主要的研究方法包括立体视觉、结构光和深度学习等。 首先,立体视觉是一种常用的遥感影像三维重建方法。它基于从不同角度获取的遥感影像,通过三角测量等技术,推断出物体的三维结构。该方法的优点是准确性高,但需要多张角度的遥感影像。 其次,结构光技术在遥感影像三维重建中也有应用。它通过投射结构光模式,结合摄影测量原理,测量地物表面的深度信息。结构光技术的优点是非接触性和高精度性能,但受限于光线和结构光的传播距离。 最后,深度学习是近年来兴起的遥感影像三维重建方法。深度学习通过构建卷积神经网络等模型,实现对遥感影像中物体的语义分割和深度估计。这种方法的优势是可以从大量遥感影像数据中学习,并具有较强的泛化能力。 综上所述,CVPR 2018中关于遥感影像三维重建的研究主要集中在立体视觉、结构光和深度学习等方面。这些研究方法将为地球表面三维模型的重建提供更高的精度和效率,对于应用于地质勘探、城市规划和环境监测等领域具有重要意义。

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

3D视觉工坊

你的鼓励将是我创作的最大动力

¥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
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