03 2019 档案

6D姿态估计从0单排——看论文的小鸡篇——Deep Learning of Local RGB-D Patches for 3D Object Detection and 6D Pose Estimation
摘要：we employ a convolutional auto encoder that has been trained on a large collection of random local patches. We demonstrate that neural networks couple 阅读全文
posted @ 2019-03-12 22:10 LeeGoHigh 阅读(1033) 评论(0) 推荐(0)
6D姿态估计从0单排——看论文的小鸡篇——Learning Descriptors for Object Recognition and 3D Pose Estimation
摘要：这篇文章和前一篇把神经网络主要集中于descriptor的对比方面不一样的是，这一篇中CNN还用来区分不同的物体类别和同类别不同姿态从而确保不同类间距较大同类间距较小（但是足以区分pose），这样就可以确保根据CNN对图片输入的输出值来直接确定对应的物体种类和其所应属于类别中的Pose，并且还采用了 阅读全文
posted @ 2019-03-11 22:08 LeeGoHigh 阅读(529) 评论(0) 推荐(0)
6D姿态估计从0单排——看论文的小鸡篇——Learning Analysis-by-Synthesis for 6D Pose Estimation in RGB-D Images
摘要：迎来了第一篇使用CNN对姿态进行估计的文章了，哭了。 这篇文章是基于2014_Learning 6D Object Pose Estimation using 3D Object Coordinates（我们读过的）这篇文章，在14年的文章中作者把模型渲染的结果——一个像素点可能的模型坐标轴和位置、 阅读全文
posted @ 2019-03-11 17:51 LeeGoHigh 阅读(807) 评论(0) 推荐(0)
6D姿态估计从0单排——看论文的小鸡篇——Hashmod: A Hashing Method for Scalable 3D Object Detection
摘要：To this end, we rely on an efficient representation of object views and employ hashing techniques to match these views against the input frame in a sc 阅读全文
posted @ 2019-03-09 15:32 LeeGoHigh 阅读(504) 评论(0) 推荐(0)
6D姿态估计从0单排——看论文的小鸡篇——Detection and Fine 3D Pose Estimation of Texture-less Objects in RGB-D Images
摘要：这是我现在做的最长的一篇笔记了。。。感觉挺有意思的这个，首先是用一个流动视窗搜索全图，然后删除大部分没有搜寻物体的候选，余下的部分使用启发式的操作得出特征信息然后和模板的hash匹配看那些模板比较有可能，得出了全部的模板后然后对每个模板的物体直径、法向量、梯度、深度、色彩对比得到候选，候选进一步得到 阅读全文
posted @ 2019-03-07 22:29 LeeGoHigh 阅读(770) 评论(0) 推荐(0)
6D姿态估计从0单排——看论文的小鸡篇——A Novel Representation of Parts for Accurate 3D Object Detection and Tracking in Monocular Images
摘要：这个可以算我最长的一片笔记。。因为大部分的文字描述都是和公式做法密切相关。这个方法就是通过2个CNN模型，一个预测图片patch所属模型的部分part的control point，另一个预测part中心的reprojection，然后利用雅可比行列式和 Using a single Gaussian 阅读全文
posted @ 2019-03-06 22:31 LeeGoHigh 阅读(513) 评论(0) 推荐(0)
6D姿态估计从0单排——看论文的小鸡篇——Learning 6D Object Pose Estimation using 3D Object Coordinates
摘要：这篇文章内容是真的多，而且大段的文字，图和公式都很少，看起来很枯燥。。。说白了就是把整个模型拆成5 5 5的125个部分，这样一个像素点都扔进去随机森林里面训练和匹配，然后查出来他最可能的类别和在一个模型中位置。就一如他的开头这句话：The key new concept is a represen 阅读全文
posted @ 2019-03-06 14:05 LeeGoHigh 阅读(1636) 评论(0) 推荐(0)
6D姿态估计从0单排——看论文的小鸡篇——Gradient Response Maps for Real-Time Detection of Texture-Less Objects
摘要：在看完第一篇的情况下，这一篇给人的感觉就算灌水严重。。。主要内容集中在相似度测量方面的过程和为了加速运算在内存管理方面的额外并行化处理，depth方面的内容和第一篇相同就没有摘录了 这是基于linemod的第三篇文章，主要集中于他们提出的相似度检测这一点的阐述方面 1. Similarity Mea 阅读全文
posted @ 2019-03-02 20:42 LeeGoHigh 阅读(1716) 评论(0) 推荐(0)