$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

[국내논문] 딥러닝 기술을 이용한 3차원 객체 추적 기술 리뷰
A Review of 3D Object Tracking Methods Using Deep Learning 원문보기

한국융합신호처리학회논문지 = Journal of the Institute of Convergence Signal Processing, v.22 no.1, 2021년, pp.30 - 37  

박한훈 (부경대학교 전자공학과)

초록
AI-Helper 아이콘AI-Helper

카메라 영상을 이용한 3차원 객체 추적 기술은 증강현실 응용 분야를 위한 핵심 기술이다. 영상 분류, 객체 검출, 영상 분할과 같은 컴퓨터 비전 작업에서 CNN(Convolutional Neural Network)의 인상적인 성공에 자극 받아, 3D 객체 추적을 위한 최근의 연구는 딥러닝(deep learning)을 활용하는 데 초점을 맞추고 있다. 본 논문은 이러한 딥러닝을 활용한 3차원 객체 추적 방법들을 살펴본다. 딥러닝을 활용한 3차원 객체 추적을 위한 주요 방법들을 설명하고, 향후 연구 방향에 대해 논의한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Accurate 3D object tracking with camera images is a key enabling technology for augmented reality applications. Motivated by the impressive success of convolutional neural networks (CNNs) in computer vision tasks such as image classification, object detection, image segmentation, recent studies for ...

주제어

#3차원 객체 추적   #카메라 포즈 추정   #비전 기반   #딥러닝   #증강현실  

참고문헌 (42)

  1. A. Dey, M. Billinghurst, R. W. Lindeman, and J. E. Swan, "A systematic review of 10 years of augmented reality usability studies: 2005 to 2014," Front. Robot. AI, vol. 5, article 37, 2018. 

    상세보기

  2. K.-M. Lee and J.-I. Kim, "Design and implementation of hybrid VR lock system by Arduino control," The Journal of Korea Institute of Signal Processing and Systems, vol. 15, no. 3, pp. 97-103, 2014. 

  3. Y. Wu, F. Tang, and H. Li, "Image-based camera localization: an overview," Visual Computing for Industry, Biometric, and Art, vol. 1, article number: 8, 2018. 

  4. V. A. Knyaz, O. Vygolov, V. V. Kniaz, Y. Vizilter, and V. Gorbatsevich, "Deep learning of convolutional auto-encoder for image matching and 3D object reconstruction in the infrared range," Proc. of ICCVW, pp. 2155-2164, 2017. 

  5. E. Marchand, H. Uchiyama, and F. Spindler, "Pose estimation for augmented reality: a hands-on survey," IEEE Transactions on Visualization and Computer Graphics, vol. 22, no. 12, pp. 2633-2651, 2016. 

    상세보기

  6. H. Park and J.-I. Park, "Recent trends and analysis on AR technology - focused on 3D object tracking methods," Proc. of The Korean Institute of Broadcast and Media Engineers Summer Conference, pp. 299-300, 2018. 

  7. P. Han and G. Zhao, "A review of edge-based 3D tracking of rigid objects," Virtual Reality & Intelligent Hardware, vol. 1, no. 6, pp. 580-596, 2019. 

    상세보기

  8. Y. Shavit and R. Ferens, "Introduction to camera pose estimation with deep learning," arXiv preprint arXiv:1907.05272, 2019. 

  9. R. Hartley and A. Zisserman, Multiple View Geometry, 2nd Ed., Cambridge University Press, 2003. 

  10. B. Wang, F. Zhong, and X. Qin, "Pose optimization in edge distance field for textureless 3D object tracking," Proc. of the Computer Graphics International Conference, article no. 32, 2017. 

  11. X. Liu, J. Zhang, X. He, X. Song, and X. Qin, "6DoF pose estimation with object cutout based on a deep autoencoder," Proc. of ISMAR-Adjunct, 2019. 

  12. S. Zhang, C. Song, and R. Radkowski, "Setforge - synthetic RGB-D training data generation to support CNN-based pose estimation for augmented reality," Proc. of ISMAR-Adjunct, pp. 227-232, 2019. 

  13. S. Shoman, T. Mashita, A. Plopski, P. Ratsamee, Y. Uranishi, and H. Takemura, "Illumination invariant camera localization using synthetic images," Proc. of ISMAR-Adjunct, pp. 143-144, 2018. 

  14. J. Rambach, C. Deng, A. Pagani, and D. Stricker, "Learning 6DoF object poses from synthetic single channel images," Proc. of ISMAR-Adjunct, pp. 164-169, 2018. 

  15. J. Tobin, R. Fong, A. Ray, J. Schneider, W. Zaremba, and P. Abbeel, "Domain randomization for transferring deep neural networks from simulation to the real world," Proc. of IROS, pp. 23-30, 2017. 

  16. K. M. Yi, E. Trulls, V. Lepetit, and P. Fua, "LIFT: learned invariant feature transform," Proc. of ECCV, pp. 467-483, 2016. 

  17. G. Pavlakos, X. Zhou, A. Chan, K. G. Derpanis, and K. Daniilidis, "6-DoF object pose from semantic keypoints," Proc. of ICRA, pp. 2011-2018, 2017. 

  18. C. B. Choy, J. Gwak, S. Savarese, and M. Chandraker, "Universal correspondence network," Proc. of NIPS, pp. 2414-2422, 2016. 

  19. D. DeTone, T. Malisiewicz, and A. Rabinovich, "SuperPoint: self-supervised interest point detection and description," Proc. of CVPRW, 2018. 

  20. D. G. Lowe, "Distinctive image features from scale-invariant keypoints," IJCV, vol. 60, no. 2, pp. 91-110, 2004. 

  21. P. Wohlhart and V. Lepetit, "Learning descriptors for object recognition and 3D pose estimation," Proc. of CVPR, pp. 3109-3118, 2015. 

  22. W. Kehl, F. Milletari, F. Tombari, S. Ilic, and N. Navab, "Deep learning of local RGB-D patches for 3D object detection and 6D pose estimation," Proc. of ECCV, vol. 3, pp. 205-220, 2016. 

  23. K. Park, J. Prankl, and M. Vincze, "Mutual hypothesis verification for 6D pose estimation of natural objects," Proc. of ICCVW, pp. 2192-2199, 2017. 

  24. H. Zhang and Q. Cao, "Combined holistic and local patches for recovering 6D object pose," Proc. of ICCVW, pp. 2219-2227, 2017. 

  25. A. Crivellaro, M. Rad, Y. Verdie, K. M. Yi, P. Fua, and V. Lepetit, "A novel representation of parts for accurate 3D object detection and tracking in monocular images," Proc. of ICCV, pp. 4391-4399, 2015. 

  26. B. Tekin, S. N. Sinha, and P. Fua, "Real-time seamless single shot 6D object pose prediction," Proc. of CVPR, pp. 292-301, 2018. 

  27. H. Bay, A. Ess, T. Tuytelaars, and L. Van Gool, "Speeded-up robust features (SURF)," Computer Vision and Image Understanding, vol. 110, no. 3, pp. 346-359, 2008. 

    상세보기

  28. N.-D. Duong, A. Kacete, C. Sodalie, P.-Y. Richard, and J. Royan, "xyzNet: towards machine learning camera relocalization by using a scene coordinate prediction network," Proc. of ISMAR-Adjunct, pp. 258-263, 2018. 

  29. S. Mahendran, H. Ali, and R. Vidal, "3D pose regression using convolutional neural networks," Proc. of ICCVW, pp. 2174-2182, 2017. 

  30. M. Garon and J.-F. Lalonde, "Deep 6-DOF tracking," IEEE Trans. on Vis. and Comp. Grap., vol. 23, no. 11, pp. 2410-2418, 2017. 

  31. O. Akgul, H. I. Penekli, and Y. Genc, "Applying deep learning in augmented reality tracking," Proc. of SITIS, pp. 47-54, 2016. 

  32. H. Su, C. R. Qi, Y. Li, and L. J. Guibas, "Render for CNN: viewpoint estimation in images using CNNs trained with rendered 3D model views," Proc. of ICCV, pp. 2686-2694, 2015. 

  33. K. Chatfield, K. Simonyan, A. Vedaldi, and A. Zisserman, "Return of the devil in the details: delving deep into convolutional nets," Proc. of BMVC, 2014. 

  34. J. Xiao, A. Owens, and A. Torralba, "SUN3D: a database of big spaces reconstructed using SfM and object labels," Proc. of ICCV, pp. 1625-1632, 2013. 

  35. T. Sattler, Q. Zhou, M. Pollefeys, Laura Leal-Taixe, "Understanding the limitations of CNN-based absolute camera pose regression," Proc. of CVPR, pp. 3297-3307, 2019. 

  36. K. M. Yi, E. Trulls, Y. Ono, V. Lepetit, M. Salzmann, and P. Fua, "Learning to find good correspondences," Proc. of CVPR, pp. 2666-2674, 2018. 

  37. S. Ren, K. He, R. B. Girshick, and J. Sun, "Faster R-CNN: towards real-time object detection with region proposal networks," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 39, no. 6, pp. 1137-1149, 2017. 

    상세보기

  38. T.-T. Do, M. Cai, T. Pham, and I. Reid, "Deep-6DPose: recovering 6D object pose from a single RGB image," arXiv preprint arXiv:1802.10367, 2018. 

  39. T. X. Qing, W. Fan, and Z. Y. Tao, "Camera pose estimation method based on deep neural network," Proc. of ICDLT, pp. 85-90, 2019. 

  40. M Bui, C. Baur, N. Navab, S. Ilic, and S. Albarqouni, "Adversarial networks for camera pose regression and refinement," Proc. of ICCVW, pp. 3778-3787, 2019. 

  41. J. R. Rambach, A. Tewari, A. Pagani, and D. Stricker, "Learning to fuse: a deep learning approach to visual-inertial camera pose estimation," Proc. of ISMAR, pp. 71-76, 2016. 

  42. V. A. Prisacariu, O. Kahler, D. W. Murray, and I. D. Reid, "Real-time 3D tracking and reconstruction on mobile phones," IEEE Trans. on Vis. and Comp. Grap., vol. 21, no. 5, pp. 557-570, 2015. 

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로