点云模型采集的下一最佳视点：贝叶斯近似与不确定性分析
计算机视觉与模式识别
2024-11-05 v1
摘要
下一最佳视点问题是机器人学中广泛研究的计算机视觉问题。多年来，已有多种方法被提出用于解决该问题。其中一些较新的方法提出了使用深度学习模型。利用深度学习模型获得的预测自然伴随一定的不确定性。尽管如此，标准模型不允许对其量化。然而，贝叶斯估计理论有助于证明Dropout层允许估计神经网络中的预测不确定性。本工作将基于Point-Net的神经网络适配于下一最佳视点（PC-NBV）。它在模型架构中引入了Dropout层，从而允许计算与其预测相关的不确定性估计。本工作旨在提高网络正确预测下一最佳视点的准确性，提出了一种使三维重建过程更高效的方法。获得了两种能够分别反映预测误差和准确性的不确定性度量。通过识别和忽略具有高不确定性值的预测，这些度量使模型的误差降低、准确性从30%提升至80%。还提出了一种直接利用这些不确定性度量来改进最终预测的另一种方法。然而，它显示出非常有限的改进。
引用
@article{arxiv.2411.01734,
title = {Next Best View For Point-Cloud Model Acquisition: Bayesian Approximation and Uncertainty Analysis},
author = {Madalena Caldeira and Plinio Moreno},
journal= {arXiv preprint arXiv:2411.01734},
year = {2024}
}