SD-Net：用于二选场景下6D姿态估计的对称感知关键点预测与域适应
计算机视觉与模式识别
2024-03-15 v1 人工智能
摘要
尽管在二选场景下的6D姿态估计取得了显著进展，但现有方法仍在对称对象和实际场景中难以产生准确预测。主要瓶颈包括1）由对象对称性导致的关键点歧义；2）真实数据与合成数据之间的域差距。为规避这些问题，我们提出一种新的6D姿态估计网络，集成对称感知关键点预测与自训练域适应（SD-Net）。SD-Net基于点态关键点回归和深度Hough投票，实现对杂乱和遮挡场景下的可靠关键点检测。具体而言，在关键点预测阶段，我们设计了一种鲁棒的3D关键点选择策略，考虑对象对称性类别和等价关键点，从而即使在高度遮挡场景下也能定位3D关键点。此外，我们构建了有效的过滤算法，用于动态消除多个歧义和异常关键点候选。在域适应阶段，我们提出一种基于学生-教师训练方案的自训练框架。为仔细区分可靠预测，我们采用针对3D几何伪标签的定制化启发式方法。实验表明，在SILéane数据集上，SD-Net实现了最先进的性能，平均精度达到96%。在公开的参数组合数据集上进行的测试学习和泛化能力评估显示，SD-Net的性能比现有最先进方法高出8%。代码可在https://github.com/dingthuang/SD-Net获取。
引用
@article{arxiv.2403.09317,
title = {SD-Net: Symmetric-Aware Keypoint Prediction and Domain Adaptation for 6D Pose Estimation In Bin-picking Scenarios},
author = {Ding-Tao Huang and En-Te Lin and Lipeng Chen and Li-Fu Liu and Long Zeng},
journal= {arXiv preprint arXiv:2403.09317},
year = {2024}
}