基于随机全等集的鲁棒 6D 物体位姿估计
计算机视觉与模式识别
2018-05-17 v1
摘要
物体位姿估计通常先分割 RGB 图像,然后给定深度数据,将相应点云片段与物体 3D 模型配准来实现。尽管 CNN 带来了进展,语义分割输出可能含有噪声,尤其在 CNN 仅在合成数据上训练时。这导致配准方法无法估计出良好的物体位姿。本文提出一种新颖的随机优化过程,将 CNN 的分割输出视为置信概率。该称为随机全等集(StoCS)的算法根据软分割分布并在与物体已知几何一致的条件下对点云上的点集进行采样。然后将点集与 3D 物体模型上的全等集匹配以生成位姿估计。尽管 CNN 仅在合成数据上训练,StoCS 在 APC 数据集上被证明是鲁棒的。在 YCB 数据集上,StoCS 优于近期一个用于 6D 位姿估计的网络及替代的点集匹配技术。
引用
@article{arxiv.1805.06324,
title = {Robust 6D Object Pose Estimation with Stochastic Congruent Sets},
author = {Chaitanya Mitash and Abdeslam Boularias and Kostas Bekris},
journal= {arXiv preprint arXiv:1805.06324},
year = {2018}
}