论文小结——GDRnet

单帧RGB估计6d姿态

流程：

1.检测图像中的ROI (yolov3)

2.将ROI动态放大后（即Zoomed-in ROI）作为输入，并预测得到几何特征：MSRA,、M2D-3D 、Mvis(没用)

3.MSRA（表面几何特征区域，个人理解二就是分成了若干个fragments）、M2D-3D（3d对应关系，稠密）结合起来输入到patch-pnp里，直接回归出6d pose

 

创新点：

1）提出一个观点：如果选择一个合适的参数模型表示 pose params，直接回归的方式要比间接的方式更具有竞争力

2）提出了GDR-net，    通过利用稠密匹配中的几何信息来提高直接回归6d姿态的performance

个人认为：这个就是将直接方式和间接方式融合了，或者说是将pnp算法加到了深度学习框架中，成为一个end-2-end 的框架。

 

小记：

    学习R的特征时，如果表示R的elements ≤ 4个，那么会导致在欧式空间上的不连续；

    直接法时，不同方法的主要区别体现在：1）R|t的参数表示，如何才能更好回归  2）loss的设计