StablePose：从几何稳定块学习 6D 物体位姿
计算机视觉与模式识别
2021-03-22 v2
摘要
我们将几何稳定性的概念引入 6D 物体位姿估计问题，并提议基于从观测到的 3D 点云中提取的几何稳定块来学习位姿推断。根据几何稳定性分析理论，一组最小的三个平面/圆柱块是几何稳定的，并决定了物体位姿的全部 6 个自由度（6DoFs）。我们训练了一个深度神经网络，基于几何稳定块组通过同时学习块内几何特征与块间上下文特征来回归 6D 物体位姿。一个子网络被联合训练以预测逐块位姿。这一辅助任务是对组位姿预测的松弛：单个块不能确定全部 6DoFs，但能够在其对应的自由度上提高位姿精度。基于块组工作使我们的方法对随机遮挡与未见过实例具有良好泛化性。该方法易于处理对称性歧义。与仅深度及 RGBD 方法相比，我们的方法在公开基准上取得了最先进（SOTA）结果。它在类别级位姿估计中也表现良好。
引用
@article{arxiv.2102.09334,
title = {StablePose: Learning 6D Object Poses from Geometrically Stable Patches},
author = {Yifei Shi and Junwen Huang and Xin Xu and Yifan Zhang and Kai Xu},
journal= {arXiv preprint arXiv:2102.09334},
year = {2021}
}
备注
CVPR 2021, 10 pages