REDE：基于可微异常值消除的端到端物体 6D 位姿鲁棒估计
计算机视觉与模式识别
2021-02-25 v3
摘要
物体 6D 位姿估计是许多应用中的基础任务。传统方法通过检测和匹配关键点，然后估计位姿来解决该任务。近期将深度学习引入该问题的努力主要克服了由于手工设计特征导致传统方法对环境变化脆弱的缺陷。然而，这些方法无法同时实现端到端学习和良好的可解释性。在本文中，我们提出 REDE，一种利用 RGB-D 数据的新型端到端物体位姿估计器，其使用网络进行关键点回归，并使用可微几何位姿估计器进行位姿误差反向传播。此外，为了在出现异常关键点预测时获得更好的鲁棒性，我们进一步提出一种可微异常值消除方法，同时回归候选结果和置信度。通过对多个候选的置信度加权聚合，我们可以减少最终估计中异常值的影响。最后，遵循传统方法，我们应用可学习的细化过程以进一步改进估计。在三个基准数据集上的实验结果表明，REDE 略优于最先进的方法，并且对物体遮挡更具鲁棒性。
引用
@article{arxiv.2010.12807,
title = {REDE: End-to-end Object 6D Pose Robust Estimation Using Differentiable Outliers Elimination},
author = {Weitong Hua and Zhongxiang Zhou and Jun Wu and Huang Huang and Yue Wang and Rong Xiong},
journal= {arXiv preprint arXiv:2010.12807},
year = {2021}
}