面向 6D 物体位姿估计的刚性感知检测
计算机视觉与模式识别
2023-03-23 v1
摘要
大多数近期的 6D 物体位姿估计方法在实际回归位姿之前先使用物体检测获得 2D 边界框。然而，它们所采用的通用物体检测方法难以应对杂乱场景，从而给后续位姿网络带来较差的初始化。为此，我们利用 6D 位姿估计中目标物体为刚体这一事实，提出一种刚性感知检测方法。这使我们能够在训练时从整个可见物体区域中采样正物体区域，而非从物体可能被遮挡的边界框中心朴素地抽取样本。如此，每一个可见物体部分都能贡献于最终的边界框预测，从而获得更好的检测鲁棒性。我们方法成功的关键在于可见性图，我们提出通过边界框内每个像素与框边界之间的最小阻挡距离来构建该图。在七个具挑战性的 6D 位姿估计数据集上的结果表明，我们的方法大幅优于通用检测框架。此外，结合位姿回归网络，我们在具挑战性的 BOP 基准上取得了最先进的位姿估计结果。
引用
@article{arxiv.2303.12396,
title = {Rigidity-Aware Detection for 6D Object Pose Estimation},
author = {Yang Hai and Rui Song and Jiaojiao Li and Mathieu Salzmann and Yinlin Hu},
journal= {arXiv preprint arXiv:2303.12396},
year = {2023}
}
备注
CVPR 2023