HS-Pose：用于类别级物体位姿估计的混合尺度特征提取
计算机视觉与模式识别
2023-03-29 v1
摘要
本文关注类别级物体位姿估计问题，由于类内形状差异大，该问题具有挑战性。基于三维图卷积（3D-GC）的方法被广泛用于提取局部几何特征，但对形状复杂物体存在局限且对噪声敏感。此外，3D-GC 的尺度与平移不变性限制了对物体尺寸与平移信息的感知。本文提出一种简单网络结构 HS-layer，将 3D-GC 扩展以从点云数据中提取混合尺度潜在特征，用于类别级物体位姿估计任务。所提 HS-layer：1）能够感知局部-全局几何结构与全局信息，2）对噪声鲁棒，3）可编码尺寸与平移信息。实验表明，在基线方法（GPV-Pose）上以所提 HS-layer 简单替换 3D-GC 层即取得显著提升，在 5d2cm 指标上性能提升 14.5%，在 IoU75 上提升 10.3%。我们的方法在 REAL275 数据集上大幅优于最先进方法（5d2cm 上 8.3%，IoU75 上 6.9%），且可实时运行（50 FPS）。
引用
@article{arxiv.2303.15743,
title = {HS-Pose: Hybrid Scope Feature Extraction for Category-level Object Pose Estimation},
author = {Linfang Zheng and Chen Wang and Yinghan Sun and Esha Dasgupta and Hua Chen and Ales Leonardis and Wei Zhang and Hyung Jin Chang},
journal= {arXiv preprint arXiv:2303.15743},
year = {2023}
}
备注
Accepted by the 2023 IEEE/CVF Computer Vision and Pattern Recognition Conference (CVPR)