为多头6DoF姿态估计学习更优关键点

我们解决了关键点选择问题，发现当预定义关键点位置被学习得到、而非如标准方法那样启发式选取时，6DoF姿态估计方法的性能可获提升。我们发现，通过训练图网络选取一组分散且投票分布相似的关键点，可提高精度与效率。这些投票由回归网络学习以累积关键点位置的证据，相较于先前启发式关键点算法可被更准确地回归。所提出的KeyGNet由衡量Wasserstein距离与分散度的联合损失监督，学习目标物体的颜色与几何特征以估计最优关键点位置。实验表明，对于三种关键点投票方法，KeyGNet选取的关键点在全部七个测试数据集的所有评估指标上均提升了精度。具有挑战性的Occlusion LINEMOD数据集在PVN3D上ADD(S)显著提升+16.4%，且所有核心BOP数据集对所有物体的AR提升介于+1%至+21.5%。当使用KeyGNet关键点从单物体训练过渡到多物体训练时，性能亦有显著提升，基本消除了Occlusion LINEMOD的SISO-MIMO差距。