文件名称：姿势解释器网络：使用姿势解释器网络进行实时对象姿势估计（IROS 2018）
文件大小：17.44MB
文件格式：ZIP
更新时间：2024-02-19 18:48:55
computer-vision deep-learning robotics pytorch artificial-intelligence
姿势解释器网络 此代码版本随附以下文章： 姿势解释器网络的实时对象姿势估计[ ] [] 吉米·吴（Jimmy Wu），周伯乐（Bolei Zhou），丽贝卡·罗素（Rebecca Russell），文森特·基（Vincent Kee），席勒·瓦格纳（Mylell Hebert），安东尼奥·托拉尔巴（Antonio Torralba）和戴维·约翰逊（David MS Johnson） IEEE / RSJ国际智能机器人和系统会议（IROS 2018） 摘要：在这项工作中，我们介绍了用于6*度对象姿态估计的姿态解释器网络。 与其他基于CNN的姿势估计方法需要昂贵的带注释的对象姿势数据相反，我们的姿势解释器网络完全在合成姿势数据上训练。 我们使用对象蒙版作为中间表示，以桥接真实和合成。 我们证明，当与在RGB图像上训练的分割模型结合使用时，我们经过综合训练的姿势解释器网络能够将其推广到真实数据。 我们用于物体姿态估计的端到端系统实时（20 Hz）对实时RGB数据运行，而无需使用深度信息或ICP改进。 总览 文件或目录 目的 训练，评估和可视化真实RGB数据上的分割模型 在合成数
【文件预览】：
pose-interpreter-networks-master
----figures()
--------errors_orientation_with_occlusion.pdf(375KB)
--------errors_position.pdf(374KB)
--------errors_orientation.pdf(374KB)
--------errors_position_with_occlusion.pdf(375KB)
----utils.py(1KB)
----datasets.py(3KB)
----segmentation()
--------eval.ipynb(4KB)
--------train.py(10KB)
--------utils.py(2KB)
--------datasets.py(2KB)
--------download_pretrained.sh(276B)
--------models.py(11KB)
--------config()
--------README.md(2KB)
--------visualize.ipynb(2.19MB)
--------transforms.py(7KB)
--------.gitignore(27B)
--------pretrained()
----end_to_end_eval.ipynb(64KB)
----doc()
--------engine.gif(6.34MB)
--------arch.png(542KB)
--------tabletop.gif(4.66MB)
----models.py(2KB)
----LICENSE(1KB)
----end_to_end_visualize.ipynb(1.94MB)
----README.md(6KB)
----data()
--------dataset_overview.ipynb(6KB)
--------README.md(718B)
--------.gitignore(17B)
----.gitignore(40B)
----ros-package()
--------README.md(853B)
--------pose_interpreter_networks()
----pose_estimation()
--------occlusion_study.ipynb(85KB)
--------figures()
--------eval.ipynb(5KB)
--------train.py(12KB)
--------render_pose.py(1KB)
--------generate_pcds.ipynb(534KB)
--------download_pcds.sh(86B)
--------utils.py(3KB)
--------datasets.py(4KB)
--------demo.ipynb(94KB)
--------download_pretrained.sh(450B)
--------models.py(8KB)
--------dataset()
--------config()
--------README.md(4KB)
--------visualize.ipynb(94KB)
--------.gitignore(40B)
--------pretrained()
--------download_data.sh(600B)
----download_data.sh(117B)