基于高效中层特征提取的孪生回归网络用于3D物体姿态估计
计算机视觉与模式识别
2016-07-11 v1
摘要
本文使用卷积神经网络解决物体实例的3D姿态估计问题。现有SOTA方法通常在角度空间中间接解决具有挑战性的回归问题，侧重于学习判别性特征，随后将其输入到单独的架构中进行3D姿态估计。相比之下，我们提出了一种端到端学习框架，通过利用孪生网络直接回归物体姿态。对于给定的图像对，我们分别在特征空间和姿态空间中施加样本表示之间的相似性度量，结果表明这能提升回归性能。此外，我们论证了使用我们的孪生回归网络进行的姿态引导特征学习能够生成更具判别性的特征，其表现优于SOTA。最后，我们的特征学习公式使其具备学习能够在严重遮挡下工作的特征的能力，并在我们新颖的手-物数据集上展示了高性能。
引用
@article{arxiv.1607.02257,
title = {Siamese Regression Networks with Efficient mid-level Feature Extraction for 3D Object Pose Estimation},
author = {Andreas Doumanoglou and Vassileios Balntas and Rigas Kouskouridas and Tae-Kyun Kim},
journal= {arXiv preprint arXiv:1607.02257},
year = {2016}
}
备注
9 pages, paper submitted to NIPS 2016, project page: http://www.iis.ee.ic.ac.uk/rkouskou/research/SRN.html