G2L-Net：基于嵌入向量特征的全局到局部实时6D位姿估计网络
计算机视觉与模式识别
2020-03-27 v2
摘要
本文提出一种新颖的实时6D物体位姿估计框架，称为G2L-Net。我们的网络以分而治之的方式处理来自RGB-D检测的 point clouds。具体而言，我们的网络包含三个步骤。首先，我们通过2D检测从RGB-D图像中提取粗物体点云。其次，我们将粗物体点云输入平移定位网络以执行3D分割和物体平移预测。第三，通过预测的分割与平移，我们将精细物体点云转换到局部规范坐标系中，并在其中训练旋转定位网络以估计初始物体旋转。在第三步中，我们定义逐点嵌入向量特征以捕获视角感知信息。为计算更精确的旋转，我们采用旋转残差估计器来估计初始旋转与真实值之间的残差，从而提升初始位姿估计性能。尽管通过所提出的由粗到精框架堆叠了多个步骤，我们提出的G2L-Net仍是实时的。在两个基准数据集上的大量实验表明，G2L-Net在准确率和速度方面均达到了最先进的性能。
引用
@article{arxiv.2003.11089,
title = {G2L-Net: Global to Local Network for Real-time 6D Pose Estimation with Embedding Vector Features},
author = {Wei Chen and Xi Jia and Hyung Jin Chang and Jinming Duan and Ales Leonardis},
journal= {arXiv preprint arXiv:2003.11089},
year = {2020}
}
备注
10 pages, 11 figures, accepted in CVPR 2020