Geo6D:面向6D姿态估计的几何约束学习
计算机视觉与模式识别
2023-08-23 v6
摘要
已有大量 6D 姿态估计方法采用端到端回归直接估计目标姿态参数。由于物体的可见特征隐式地受其姿态影响,网络可通过分析可见区域中特征的差异来推断姿态。然而,由于姿态变化范围不可预测且不受限制,训练样本对隐式学习的可见特征-姿态约束覆盖不足,导致网络易受未见物体姿态的影响。为应对这些挑战,我们提出一种名为 Geo6D 的新型几何约束学习方法,用于直接回归的 6D 姿态估计方法。该方法引入以相对偏移表示表达的姿态变换公式,并将其作为几何约束来重构网络的输入与输出目标。这些重构数据使网络能够基于显式几何约束估计姿态,且相对偏移表示缓解了姿态分布鸿沟问题。大量实验结果表明,当配备 Geo6D 时,直接 6D 方法在多个数据集上取得最先进的性能,并展现出显著有效性,即便仅使用 10% 的数据量。
引用
@article{arxiv.2210.10959,
title = {Geo6D: Geometric Constraints Learning for 6D Pose Estimation},
author = {Jianqiu Chen and Mingshan Sun and Ye Zheng and Tianpeng Bao and Zhenyu He and Donghai Li and Guoqiang Jin and Rui Zhao and Liwei Wu and Xiaoke Jiang},
journal= {arXiv preprint arXiv:2210.10959},
year = {2023}
}