KeyMatchNet：基于广义关键点匹配的3D点云零样本位姿估计
计算机视觉与模式识别
2024-08-30 v3
摘要
本文提出KeyMatchNet，一种用于3D点云零样本位姿估计的新颖网络。我们的方法仅使用深度信息，使其更适用于许多工业用例，因为颜色信息很少可用。该网络由计算物体与场景特征的两个并行组件构成。随后将特征组合以创建用于位姿估计的匹配。并行结构允许对各独立部分进行预处理，从而降低运行时间。使用零样本网络可实现极短的设置时间，因为无需为新物体训练模型。然而，由于网络并非针对特定物体训练，零样本位姿估计方法通常比常规方法精度更低。为此，我们通过在训练时纳入场景信息来降低任务复杂度。这通常不可行，因为为新任务收集真实数据会大幅增加成本。但对于零样本位姿估计，无需为新物体训练，因此昂贵的数据收集只需进行一次。我们的方法在1,500个物体上训练并仅在未见物体上测试。我们展示了训练后的网络不仅能准确估计新物体的位姿，还能展示其对训练类别外物体的能力。测试结果显示在真实数据上。我们相信所提方法对许多真实场景具有价值。项目页面见 keymatchnet.github.io
引用
@article{arxiv.2303.16102,
title = {KeyMatchNet: Zero-Shot Pose Estimation in 3D Point Clouds by Generalized Keypoint Matching},
author = {Frederik Hagelskjær and Rasmus Laurvig Haugaard},
journal= {arXiv preprint arXiv:2303.16102},
year = {2024}
}
备注
8 pages, 6 figures, 5 tables