关于3D关键点检测的一种新方法:端到端几何推理.doc
《关于3D关键点检测的一种新方法:端到端几何推理.doc》由会员分享,可在线阅读,更多相关《关于3D关键点检测的一种新方法:端到端几何推理.doc(4页珍藏版)》请在三一文库上搜索。
1、关于3D关键点检测的一种新方法:端到端几何推理编者按:关键点检测是许多计算机视觉任务的基础,如人脸识别、动作检测和自动驾驶等。而在这届NIPS上,来自Google AI的Supasorn Suwajanakorn等人带来了关于3D关键点检测的一种新方法:端到端几何推理。如果你没听说过这位一作的名字,没关系,你一定见过SIGGRAPH 2017上震惊世界的奥巴马造假视频,在那篇论文中,他也是一作.摘要本文提出KeypointNet,这是一个端到端的几何推理框架,可用于学习一组优化类3D关键点,并对它们进行检测。给定单个图像,KeypointNet能针对下游任务提取优化关键点集。我们通过提出一个可
2、微的对象来展示这个关于3D姿态估计的框架,它的目的是恢复同一对象两个视图(2D)之间相对姿势的最佳关键点集,跨视角、跨类发现几何和语义一致的关键点。重要的是,我们发现这种方法不需要任何基于ground-truth的关键点注释标记,在使用同一神经网络架构的情况下,它的效果优于完全监督基线。关于汽车、椅子和飞机等对象的3D关键点可视化,请看keypointnet.github.io。简介卷积神经网络(CNN)的研究已经证实,特征提取和分类管道的联合优化可以显著提升网络的对象识别性能。但话虽如此,目前一些解决几何视觉问题的方法,比如3D重建和shape alignment,它们都包含一个单独的关键点
3、检测模块,在检测结果上再运用几何推理。在本文中,我们探讨了一个问题,即能否构建一个端到端的几何推理模型,把关键点直接联合优化为下游任务的一组潜在变量。请设想这么一个例子:图像中汽车的3D姿势问题。按照常规做法,我们应该先检测所有关键点,然后在几何推理框架内应用这些点,恢复汽车的3D姿势或某个角度的视图。实现这一点的手段有很多,比如手动注释关键点,然后进行监督学习,也可以开发一组关键点检测器,尽管这容易出错。但这种方法成本太高了,而且关键点的选择也缺乏一致性和明确性。为了获得更合理的关键点集,我们应该根据下游任务的需要,直接优化下游任务需要的关键点,从中获取独特性、易于检测和多样性等目标关键点属
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 关于 关键 检测 一种 新方法 端到端 几何 推理
链接地址:https://www.31doc.com/p-3387485.html