PFRL：用于 6D 姿态估计的无姿态强化学习
计算机视觉与模式识别
2021-02-25 v1
摘要
从单张 RGB 图像进行 6D 姿态估计是计算机视觉中一项具有挑战性且至关重要的任务。当前主流深度模型方法依赖于标注了真实世界地面真值 6D 物体姿态的 2D 图像，这类标注的采集相当繁琐且昂贵，在许多情况下甚至不可得。在本工作中，为摆脱 6D 标注的负担，我们将 6D 姿态细化表述为马尔可夫决策过程，并施加强化学习方法，仅以 2D 图像标注作为弱监督 6D 姿态信息，通过精细的奖励定义与复合强化优化方法实现高效且有效的策略训练。在 LINEMOD 和 T-LESS 数据集上的实验表明，我们的无姿态方法相较于不使用真实世界地面真值 6D 姿态标签的方法能够取得最先进的性能。
引用
@article{arxiv.2102.12096,
title = {PFRL: Pose-Free Reinforcement Learning for 6D Pose Estimation},
author = {Jianzhun Shao and Yuhang Jiang and Gu Wang and Zhigang Li and Xiangyang Ji},
journal= {arXiv preprint arXiv:2102.12096},
year = {2021}
}