赞
踩
论文链接:arxiv
无监督的6Dpose估计,即使没有没见过的物体也能处理
基于大量数据且特定实例,不灵活
AAE [ Implicit 3d orientation learning for 6d object detection from rgb images ] 2018 ,提取实例级的物体表达特征
分成两阶段,初始化和微调:
原理和优点:
功能:
解码器都是辅助编码器的, 为了能让编码器学的好,之后就可以舍弃解码器,只留下编码器,这个方法能学习到交叉表达、共享特征
编码器算是个基础backbone,每种类别的东西都能学一点
结构:
由一个编码器 z ∈ R 128 z\in R^{128} z∈R128,还有n个解码器 Λ j \Lambda_j Λj组成,其中 j = 1 , . . . , n j=1,...,n j=1,...,n,n是不同的物体形状数量
z就是解码器和数据增强合二为一
输入和输出:
输入也做了增强,异类batch B B B包含多种物体;输出的编码是分开的,每个解码器只接受对应物体shape的code。
loss:
L m ( B ) = ∑ j = 1 b ∑ k = 1 n I ( s j = k ) ∣ ∣ x j − Λ k ( z j ) ∣ ∣ 2 L_m(B) = \sum^b_{j=1}\sum^n_{k=1}\Iota(s_j=k)||x_j - \Lambda_k(z_j)||_2 Lm(B)=
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。