DistillGrasp: 整合特征相关性与知识蒸馏 用于透明物体的深度补全
原文中文,约300字,阅读约需1分钟。发表于: 。透明物体的深度难以准确捕捉,导致 RGB-D 摄像机生成不完整的深度图。为了填补缺失的点,该研究提出了一种高效的深度完成网络 DistillGrasp,该网络从教师分支中提取知识并传给学生分支,通过位置相关性块和一致性特征相关模块来指导模型建立正确的对应关系,实现深度补偿。实验结果表明,该网络在准确性和泛化性方面优于现有方法,并具有更高的速度(48...
该研究提出了一种高效的深度完成网络DistillGrasp,通过位置相关性块和一致性特征相关模块来指导模型建立正确的对应关系,实现深度补偿。实验结果表明,该网络在准确性和泛化性方面优于现有方法,并具有更高的速度(48 FPS)。