Benutzer: Gast  Login
Weniger Felder
Einfache Suche
Originaltitel:
Learning to Estimate 3D Object Pose from Synthetic Data
Übersetzter Titel:
Deep Learning für 3D-Objektposenschätzung unter Verwendung von synthetischen Daten
Autor:
Zakharov, Sergey
Jahr:
2020
Dokumenttyp:
Dissertation
Fakultät/School:
Fakultät für Informatik
Betreuer:
Ilic, Slobodan (Priv.-Doz. Dr.)
Gutachter:
Ilic, Slobodan (Priv.-Doz. Dr.); Lepetit, Vincent (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik; MED Medizin
Stichworte:
3D object pose estimation, domain adaptation
TU-Systematik:
MED 230d; DAT 760d
Kurzfassung:
This thesis addresses the tasks of 3D object pose estimation and domain adaptation using deep learning-based methods. The first part presents pose estimation solutions of various complexity relying on manifold learning, dense correspondences, and differentiable rendering. This is followed by a number of works explicitly tackling the domain gap problem when training from synthetic data using the introduced reverse domain adaptation and adversarial domain randomization techniques.
Übersetzte Kurzfassung:
Diese Arbeit befasst sich mit den Aufgaben der 3D-Objektposenschätzung und Domain Adaptation basierend auf Deep-Learning Methoden. Der erste Teil präsentiert Ansätze von unterschiedlicher Komplexität zur Bestimmung einer Pose, welche auf Manifold Learning, dichten Punktkorrespondenzen und differenzierbarem Rendering beruhen. Darauf folgen eine Reihe von Arbeiten, welche sich explizit mit dem Domain-Gap Problem auseinandersetzen, welches entsteht wenn auf synthetischen Daten trainiert wird, und...     »
WWW:
https://mediatum.ub.tum.de/?id=1550255
Eingereicht am:
15.07.2020
Mündliche Prüfung:
12.11.2020
Dateigröße:
25966777 bytes
Seiten:
180
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20201112-1550255-1-3
Letzte Änderung:
02.03.2021
 BibTeX