处理 CNN 姿态估计中物体对称性的问题
计算机视觉与模式识别
2024-10-30 v2 机器人学
摘要
本文研究基于卷积神经网络（Convolutional Neural Networks，CNN）的姿态估计器在处理对称物体时存在的问题。我们考察了 CNN 输出表示在物体连续旋转时的值，发现其必须在每步对称后形成闭环。否则，CNN（其自身为连续函数）必须复现一个不连续函数。在一个 1 自由度玩具示例中，我们展示了常用表示不满足该要求，并分析了由此引起的问题。特别地，我们发现用于构建对称感知损失的常用的 min-over-symmetries 方法往往不能与基于梯度的优化（即深度学习）良好配合。基于这些见解，我们提出一种称为“闭合对称环”（closed symmetry loop，csl）的表示，将相关向量的角度乘以对称阶数，并将其推广到 6 自由度。该表示扩展了我们在 [Richter-Klug, ICVS, 2019] 中的算法，包括一种在最终姿态估计中消除对称等价歧义的方法。该算法处理连续旋转对称（如瓶子）和离散旋转对称（如四重对称盒子）。其在 T-LESS 数据集上进行了评估，在未精炼的基于 RGB 的方法中达到了最先进水平。
引用
@article{arxiv.2011.13209,
title = {Handling Object Symmetries in CNN-based Pose Estimation},
author = {Jesse Richter-Klug and Udo Frese},
journal= {arXiv preprint arXiv:2011.13209},
year = {2024}
}
备注
This work has been accepte at ICRA 2021