基于3D视觉深度学习模型的埋藏深海目标姿态估计
计算机视觉与模式识别
2024-12-12 v2
摘要
我们提出了一种用于估计南加州圣佩德罗河盆地底部埋藏 debris field 桶体的姿态和埋藏比例的方法。我们的计算工作流程利用了最近在分割领域取得的突破性模型进展，以及基于视觉变换器的方法来估计定义桶体几何形状的点云。我们提出了 BarrelNet 用于从桶体点云输入中估计埋藏桶体的6自由度姿态和半径。我们使用合成生成的桶体点云训练 BarrelNet，并通过对历史填埋场发现的桶体的远程操作车（ROV）视频资料进行定性演示，我们的方法潜力。我们将方法与传统的最小二乘拟合方法进行比较，并根据我们定义的基准显示出显著的改进。
引用
@article{arxiv.2410.01061,
title = {Pose Estimation of Buried Deep-Sea Objects using 3D Vision Deep Learning Models},
author = {Jerry Yan and Chinmay Talegaonkar and Nicholas Antipa and Eric Terrill and Sophia Merrifield},
journal= {arXiv preprint arXiv:2410.01061},
year = {2024}
}
备注
Submitted to OCEANS 2024 Halifax