An Improved Approach to 6D Object Pose Tracking in Fast Motion Scenarios
Notice bibliographique
Résumé
Tracking 6D poses of objects in video sequences is important for many applications such as robot manipulation and augmented reality. End-to-end deep learning based 6D pose tracking methods have achieved notable performance both in terms of accuracy and speed on standard benchmarks characterized by slowly varying poses. However, these methods fail to address a key challenge for using 6D pose trackers in fast motion scenarios. The performance of temporal trackers degrades significantly in fast motion scenarios and tracking failures occur frequently. In this work, we propose a framework to make end-to-end 6D pose trackers work better for fast motion scenarios. We integrate the “Relative Pose Estimation Network” from an end-to-end 6D pose tracker into an EKF framework. The EKF adopts a constant velocity motion model and its measurement is computed from the output of the “Relative Pose Estimation Network”. The proposed method is evaluated on challenging hand-object interaction sequences from the Laval dataset and compared against the original end-to-end pose tracker, referred to as the baseline. Experiments show that integration with EKF significantly improves the tracking performance, achieving a pose detection rate of 85.23% compared to 61.32% achieved by the baseline. The proposed framework exceeds the real-time performance requirement of 30 fps.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».