基于整体表示的对遮挡鲁棒的物体位姿估计
计算机视觉与模式识别
2021-10-25 v1
摘要
实用的物体位姿估计要求对目标物体的遮挡具有鲁棒性。当前最优（SOTA）物体位姿估计器采用两阶段方法：第一阶段使用深度网络预测 2D 关键点，第二阶段从 2D-3D 对应关系中求解 6DOF 位姿。尽管被广泛采用，此类两阶段方法在泛化时可能受限于新颖遮挡，且因特征受损导致关键点一致性弱。为解决这些问题，我们开发了一种新颖的遮挡与黑块批量增强技术以学习对遮挡鲁棒的深度特征，以及一种多精度监督架构以鼓励整体位姿表示学习，从而实现准确且一致的关键点预测。我们进行了细致的消融实验以验证我们创新的影响，并将我们的方法与 SOTA 位姿估计器比较。无需任何后处理或细化，我们的方法在 LINEMOD 数据集上展现出优越性能。在 YCB-Video 数据集上，我们的方法在 ADD(-S) 指标上优于所有非细化方法。我们还展示了我们方法的高数据效率。我们的代码见 http://github.com/BoChenYS/ROPE
引用
@article{arxiv.2110.11636,
title = {Occlusion-Robust Object Pose Estimation with Holistic Representation},
author = {Bo Chen and Tat-Jun Chin and Marius Klimavicius},
journal= {arXiv preprint arXiv:2110.11636},
year = {2021}
}
备注
WACV 2022