基于全卷积几何特征和隐式姿态编码的点云蘑菇分割与三维姿态估计
计算机视觉与模式识别
2024-04-19 v1
摘要
现代农业应用越来越依赖深度学习解决方案。然而，训练性能良好的深度网络需要大量标注数据，这些数据可能不可用，并且在三维标注的情况下，对人类标注者来说甚至可能不可行。在这项工作中，我们开发了一种深度学习方法，用于在三维数据（即由深度传感器获取的点云形式）上分割蘑菇并估计其姿态。为了规避标注问题，我们创建了一个蘑菇场景的合成数据集，其中我们完全了解三维信息，例如每个蘑菇的姿态。所提出的网络具有全卷积骨干网络，用于解析稀疏三维数据，并预测隐式定义实例分割和姿态估计任务的姿态信息。我们验证了所提出的基于隐式的方法在合成测试集上的有效性，并提供了使用深度传感器获取的一小组真实点云的定性结果。代码公开于 https://github.com/georgeretsi/mushroom-pose。
引用
@article{arxiv.2404.12144,
title = {Mushroom Segmentation and 3D Pose Estimation from Point Clouds using Fully Convolutional Geometric Features and Implicit Pose Encoding},
author = {George Retsinas and Niki Efthymiou and Petros Maragos},
journal= {arXiv preprint arXiv:2404.12144},
year = {2024}
}