基于点云监督学习的六维物体位姿回归
计算机视觉与模式识别
2020-01-27 v1
摘要
本文解决从以点云表示的深度信息中估计已知三维物体的六自由度位姿的任务。卷积神经网络从颜色信息学到的深度特征一直是用于推断物体位姿的主导特征，而深度信息受到的关注少得多。然而，深度信息包含物体形状的丰富几何信息，这对推断物体位姿十分重要。我们使用以点云表示的深度信息作为深度网络与基于几何的位姿细化的输入，并为旋转与平移回归使用分离的网络。我们认为轴角表示是适用于深度学习的合适旋转表示，并使用测地损失函数进行旋转回归。消融研究表明，这些设计选择优于四元数表示与L2损失或同一网络回归平移与旋转等替代方案。我们简单而有效的方法在YCB-video数据集上明显优于最先进的方法。实现与训练模型见：https://github.com/GeeeG/CloudPose。
引用
@article{arxiv.2001.08942,
title = {6D Object Pose Regression via Supervised Learning on Point Clouds},
author = {Ge Gao and Mikko Lauri and Yulong Wang and Xiaolin Hu and Jianwei Zhang and Simone Frintrop},
journal= {arXiv preprint arXiv:2001.08942},
year = {2020}
}