DPOD：6D Pose Object Detector and Refiner——自我总结

最新推荐文章于 2024-06-13 17:35:03 发布

是蓝天白云也是希望

最新推荐文章于 2024-06-13 17:35:03 发布

阅读量2.7k

点赞数 1

分类专栏：机器学习相关论文文章标签：位姿估计 icra2019

本文链接：https://blog.csdn.net/Marilynviolet/article/details/101202656

版权

本文介绍了DPOD（Dense Pose Object Detector）算法，一种用于3D对象检测和6D位姿恢复的方法。通过深度学习，DPOD估计密集的2D-3D对应图，并使用PnP和RANSAC计算位姿。该方法结合了合成数据和真实数据训练，以实现更好的泛化能力。在合成和真实数据上的评估显示了其优秀的表现。

摘要由CSDN通过智能技术生成

论文概观：
目标：3D对象的检测以及从RGB图像中恢复6D位姿
方法：DPOD（dense pose object detector）密集对象位姿检测器，在输入图片和已知3D模型中去估计密集的多类2D-3D对应图，基于对应图，利用PnP和RANSAC计算6D位姿
优势：可以同时基于合成数据和真实数据

介绍（说明）：
最近估计位姿的一些手段：

名称	简介
SSD6D	合成数据+Manhardt（优化器）+ICP优化+depth，基于细化视点的6D位姿扩展2D对象检测器的想法，缺点：较慢且不精确
AAE（Augmented autocoders）	合成数据
YoLo6D	真实数据，等价于YoLo+BB8，没有优化
poseCNN	真实数据，DeepIM（优化器），估计对象mask，分别估计对象中心T和用四元数回归R进行位姿的估计
PvNet	真实数据，回归像素，基于关键点的假设，再利用PnP算法估计位姿，优势：处理occlusion
iPose	分割，3D坐标回归，位姿估计
BB8	三阶段&#x