通过端到端几何推理发现潜在 3D 关键点
计算机视觉与模式识别
2018-11-26 v2 机器学习
机器学习
摘要
本文提出 KeypointNet，一个端到端几何推理框架，用于学习一组最优的类别特定 3D 关键点及其检测器。给定单张图像，KeypointNet 提取针对下游任务优化的 3D 关键点。我们通过在 3D 姿态估计上提出一个寻求用于恢复物体两视图间相对姿态的最优关键点集的可微目标来展示该框架。我们的模型发现了跨视角和物体类别实例间几何与语义一致的关键点。重要的是，我们发现，在姿态估计任务上，不使用任何真值关键点标注的端到端框架优于使用相同神经网络架构的全监督基线。在 ShapeNet 的汽车、椅子和飞机类别上发现的 3D 关键点可视化见 http://keypointnet.github.io/。
引用
@article{arxiv.1807.03146,
title = {Discovery of Latent 3D Keypoints via End-to-end Geometric Reasoning},
author = {Supasorn Suwajanakorn and Noah Snavely and Jonathan Tompson and Mohammad Norouzi},
journal= {arXiv preprint arXiv:1807.03146},
year = {2018}
}