ClusterNet：RGB-D图像中的3D实例分割
机器人学
2018-09-20 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
我们提出了一种实例级分割方法，其以RGB-D数据作为输入，并提供场景中单个物体的位置、几何与数量等详细信息。这种理解水平对自主机器人至关重要，它使得在真实世界巨大不确定性下能够安全稳健地决策。在我们的模型中，我们提出使用物体占据函数的一阶与二阶矩来表示物体实例。我们训练了一个hourglass深度神经网络（DNN），其中输出中的每个像素都对相应物体中心的3D位置以及物体的尺寸与姿态进行投票。最终的实例分割通过在矩空间中的聚类实现。以物体为中心的训练损失定义于聚类的输出上。我们的方法在合成数据集上优于最先进的实例分割方法。我们表明，我们的方法在真实世界数据上泛化良好，取得了视觉上更好的分割结果。
引用
@article{arxiv.1807.08894,
title = {ClusterNet: 3D Instance Segmentation in RGB-D Images},
author = {Lin Shao and Ye Tian and Jeannette Bohg},
journal= {arXiv preprint arXiv:1807.08894},
year = {2018}
}