FS6D：新物体的少样本 6D 位姿估计
计算机视觉与模式识别
2022-03-29 v1 机器人学
摘要
6D 物体位姿估计网络由于其闭集假设以及对高保真物体 CAD 模型的依赖，在扩展到大量物体实例方面的能力受限。在本工作中，我们研究一个新的开集问题：少样本 6D 物体位姿估计，即在不进行额外训练的情况下，通过少量支持视图估计未知物体的 6D 位姿。为应对该问题，我们指出充分挖掘给定支持视图与查询场景块之间的外观与几何关系的重要性，并提出一种通过提取密集 RGBD 原型并利用 transformers 进行匹配的密集原型匹配框架。此外，我们表明来自多样外观与形状的先验在该问题设定下的泛化能力至关重要，因而提出一个大规模 RGBD 照片级真实数据集（ShapeNet6D）用于网络预训练。我们还引入一种简单有效的在线纹理混合方法来消除合成数据集带来的域间隙，以低成本丰富外观多样性。最后，我们讨论该问题的可能解决方案，并在流行数据集上建立基准以促进未来研究。项目页面见 \url{https://fs6d.github.io/}。
引用
@article{arxiv.2203.14628,
title = {FS6D: Few-Shot 6D Pose Estimation of Novel Objects},
author = {Yisheng He and Yao Wang and Haoqiang Fan and Jian Sun and Qifeng Chen},
journal= {arXiv preprint arXiv:2203.14628},
year = {2022}
}
备注
Accepted by CVPR 2022