SOCS：面向大形状变化的类别级 6D 物体位姿估计的语义感知物体坐标空间
计算机视觉与模式识别
2023-03-21 v1
摘要
大多数基于学习的类别级 6D 位姿估计方法都围绕归一化物体坐标空间（NOCS）设计。尽管取得了成功，基于 NOCS 的方法在处理包含显著类内形状变化的类别物体时变得不准确且鲁棒性下降。这是因为由物体全局刚性对齐诱导的物体坐标在语义上不一致，使得坐标回归难以学习和泛化。我们提出了语义感知物体坐标空间（SOCS），其通过由具有语义有意义对应关系的稀疏关键点集引导的变形与对齐来构建。SOCS 是语义一致的：物体表面上的任意点都可映射到 SOCS 中语义有意义的位置，从而在大形状变化下实现准确的位姿和尺寸估计。为学习对 SOCS 的有效坐标回归，我们提出了一种新颖的基于多尺度坐标的注意力网络。评估表明，我们的方法易于训练，对大类内形状变化具有良好泛化能力，并对物体间遮挡具有鲁棒性。
引用
@article{arxiv.2303.10346,
title = {SOCS: Semantically-aware Object Coordinate Space for Category-Level 6D Object Pose Estimation under Large Shape Variations},
author = {Boyan Wan and Yifei Shi and Kai Xu},
journal= {arXiv preprint arXiv:2303.10346},
year = {2023}
}
备注
10 pages