Zobrazeno 1 - 10
of 142
pro vyhledávání: '"Kocabas, M."'
Publikováno v:
In Surface & Coatings Technology 25 April 2019 364:231-238
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)
IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)
2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR 2022)
IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)
2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR 2022)
We introduce the dynamic grasp synthesis task: given an object with a known 6D pose and a grasp reference, our goal is to generate motions that move the object to a target 6D pose. This is challenging, because it requires reasoning about the complex
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::325b2c15de4b633fef7c2124447b34bd
http://arxiv.org/abs/2112.03028
http://arxiv.org/abs/2112.03028
Publikováno v:
2021 IEEE/CVF International Conference on Computer Vision (ICCV 2021)
Learning to regress 3D human body shape and pose (e.g.~SMPL parameters) from monocular images typically exploits losses on 2D keypoints, silhouettes, and/or part-segmentation when 3D training data is not available. Such losses, however, are limited b
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::f0b03d00b0012b8135ddb402b69cf641
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.