PR-GCN：一种用于 6D 姿态估计的带有点精炼的深度图卷积网络
计算机视觉与模式识别
2021-08-24 v1
摘要
基于 RGB-D 的 6D 姿态估计近来取得显著进展，但仍受两大局限所困：(1) 深度数据表示低效；(2) 不同模态融合不足。本文提出一种新颖的深度学习方法，即带有点精炼的图卷积网络（PR-GCN），以统一方式同时解决上述问题。它首先引入点精炼网络（PRN）来打磨 3D 点云，补全缺失部分并去除噪声。随后，提出多模态融合图卷积网络（MMF-GCN）以增强 RGB-D 组合，其通过图卷积网络中的局部信息传播来捕获几何感知的模态间关联。在三个广泛使用的基准上进行了大量实验，达到了最先进的性能。此外，所提 PRN 与 MMF-GCN 模块也能很好地泛化至其他框架。
引用
@article{arxiv.2108.09916,
title = {PR-GCN: A Deep Graph Convolutional Network with Point Refinement for 6D Pose Estimation},
author = {Guangyuan Zhou and Huiqun Wang and Jiaxin Chen and Di Huang},
journal= {arXiv preprint arXiv:2108.09916},
year = {2021}
}