深度学习语境下三维旋转的表示方法
计算机视觉与模式识别
2024-10-16 v2 图形学
摘要
本文探讨了各种三维旋转表示方法及其对深度神经网络学习过程的影响。我们在合成数据和真实数据上评估了使用多种旋转表示和损失函数的 ResNet18 网络进行三维旋转估计的性能。真实数据集包含工业容器的三维扫描数据，而合成数据集则包含在不同旋转下渲染的简单不对称物体的视图。对于合成数据，我们还评估了不同旋转分布在训练集和测试集中的效果，以及物体纹理的影响。在与前期研究一致的基础上，我们发现使用连续 5D 和 6D 表示的网络优于不连续表示。
引用
@article{arxiv.2410.10350,
title = {On Representation of 3D Rotation in the Context of Deep Learning},
author = {Viktória Pravdová and Lukáš Gajdošech and Hassan Ali and Viktor Kocur},
journal= {arXiv preprint arXiv:2410.10350},
year = {2024}
}
备注
Accepted at International Conference on Computer Vision and Graphics ICCVG 2024. The proceedings of the conference will be published in Lecture Notes in Networks and Systems (LNNS), Springer