PoseAgent：基于强化学习的预算受限6D物体姿态估计
计算机视觉与模式识别
2017-04-12 v2
摘要
最先进的计算机视觉算法通常通过离散选择下一步探索哪个假设来实现效率。这允许将计算资源分配给有希望的候选，然而此类决策不可微分。因此，这些算法难以以端到端方式训练。本工作中，我们提出为6D物体姿态估计任务学习一种高效算法。我们的系统使用强化学习优化现有最先进姿态估计系统的参数，其中姿态估计系统现在成为由CNN参数化的随机策略。此外，我们提出一种高效训练算法，大幅减少计算时间。我们通过经验表明，我们学习的姿态估计过程更好地利用了有限资源，并在具有挑战性的数据集上超越最先进水平。我们的方法实现了复杂算法管线的可微分端到端训练，并学会最优利用给定计算预算。
引用
@article{arxiv.1612.03779,
title = {PoseAgent: Budget-Constrained 6D Object Pose Estimation via Reinforcement Learning},
author = {Alexander Krull and Eric Brachmann and Sebastian Nowozin and Frank Michel and Jamie Shotton and Carsten Rother},
journal= {arXiv preprint arXiv:1612.03779},
year = {2017}
}