一种用于深度数据中6D物体位姿恢复的基于学习的可变尺寸部件提取架构
计算机视觉与模式识别
2017-01-10 v1
摘要
最先进的6D物体位姿恢复技术依赖于无遮挡点云来在3D空间中精确配准物体。为应对此缺陷，我们引入了一种称为带控制点直方图的迭代霍夫森林（Iterative Hough Forest with Histogram of Control Points）的新架构，能够在给定候选2D边界框时估计被遮挡和杂乱物体的6D位姿。我们的迭代霍夫森林（IHF）仅使用从正样本中提取的部件进行学习。这些部件由控制点直方图（HoCP）表示，这是一种我们从最近提出的隐式B样条（IBS）导出的“尺度变异”隐式体积描述子。在推断过程中利用了尺度变异HoCP特征提供的丰富判别信息。一个自动可变尺寸部件提取框架迭代地细化物体的初始位姿，该位姿由于最粗部件（占据图像像素最大面积的那些）的提取而大致对齐。迭代细化基于更精细（更小）的部件完成，这些部件通过我们的迭代霍夫森林以更具判别性的控制点描述子表示。在公开数据集上的实验表明，我们的方法展现出优于最先进方法的配准性能。
引用
@article{arxiv.1701.02166,
title = {A Learning-based Variable Size Part Extraction Architecture for 6D Object Pose Recovery in Depth},
author = {Caner Sahin and Rigas Kouskouridas and Tae-Kyun Kim},
journal= {arXiv preprint arXiv:1701.02166},
year = {2017}
}