摘要
现有刚体姿态估计存在数据稀缺、复杂场景下的低鲁棒性及低实时性等问题,为此提出一种基于合成数据的刚体目标位姿追踪网络结构;采用时空间特征融合技术,捕捉时间与空间特征信息,生成具有时空敏感的特征图;利用残差连接学习更为丰富和抽象的优质特征,改善追踪目标的准确性;对稀缺数据进行数据增强,生成符合现实物理特性的复杂合成数据,以此训练深度学习模型,提高模型的泛化性;在YCB-Video数据集中选取7个物体进行实时姿态追踪实验,结果表明,提出的方法相较于同类相关方法,在复杂场景下对刚体姿态估计的更为准确,在实时估计效率上表现最优。
high-quality features,improving the accuracy of tracking the target.Data augmentation is performed on scarce data to generate complex synthetic data that conforms to the real physical characteristics,which is used to train the deep learning model and improve the generalization of the model.Seven objects are selected on the YCB-Video dataset for real-time pose tracking experiments,the results show that compared with similar related methods,the proposed method is more accurate in estimating the poses of rigid bodies in complex scenarios,and it has an optimal performance in real-time estimation efficiency.
作者
刘千山
林雪剑
朱枫
李佩东
LIU Qianshan;LIN Xuejian;ZHU Feng;LI Peidong(Guoneng Baorixile Energy Co.,Ltd.,Inner Mongolia,Hulunbuir 021500,China)
出处
《计算机测量与控制》
2024年第5期282-289,共8页
Computer Measurement &Control
基金
国家自然科学基金(61601213)。
关键词
姿态追踪
数据稀缺
时空特征融合
残差连接
数据增强
pose tracking
data scarcity
spatiotemporal feature fusion
residual connectivity
data augmentation
