基于弱监督关键点学习的6D物体位姿估计
计算机视觉与模式识别
2022-03-08 v1
摘要
最先进的6D物体位姿估计方法需要大量标注数据来训练深度网络。然而，大规模获取6D物体位姿标注繁琐且费力。为缓解该问题，我们提出一种基于2D关键点检测的弱监督6D物体位姿估计方法。我们的方法仅在与已知视角间相对变换的图像对上训练。具体而言，我们为 each 未知目标3D物体指定一组任意选取的3D关键点，并学习一个网络来检测其在符合相对相机视角的2D投影。推理时，我们的网络首先从查询图像和给定的标注参考图像推断2D关键点。随后，我们利用这些2D关键点及训练时保留的任意选取3D关键点来推断6D物体位姿。大量实验表明，我们的方法取得了与最先进全监督方法相当的性能。
引用
@article{arxiv.2203.03498,
title = {Weakly Supervised Learning of Keypoints for 6D Object Pose Estimation},
author = {Meng Tian and Gim Hee Lee},
journal= {arXiv preprint arXiv:2203.03498},
year = {2022}
}