学习非正交化矩阵用于旋转估计
计算机视觉与模式识别
2023-12-04 v1
摘要
估计三维旋转是三维计算机视觉中的常见步骤。其精度在很大程度上取决于旋转表示形式。其中一种表示形式——旋转矩阵——因其连续性而广受欢迎，尤其是在姿态估计任务中。学习过程通常引入正交化以确保矩阵正交归一。我们的工作通过梯度分析揭示，基于 Gram-Schmidt 过程和奇异值分解的常用正交化步骤会降低训练效率。为此，我们主张从学习过程中移除正交化，并学习非正交化的“伪”旋转矩阵（PRoM）。优化分析表明，PRoM 收敛更快且能收敛到更优解。通过在各种旋转相关任务中用我们提出的 PRoM 替换含正交化的表示，我们在大规模人体姿态估计基准上取得了最先进（SOTA）结果。
引用
@article{arxiv.2312.00462,
title = {Learning Unorthogonalized Matrices for Rotation Estimation},
author = {Kerui Gu and Zhihao Li and Shiyong Liu and Jianzhuang Liu and Songcen Xu and Youliang Yan and Michael Bi Mi and Kenji Kawaguchi and Angela Yao},
journal= {arXiv preprint arXiv:2312.00462},
year = {2023}
}