论文小结：YOLO6D（Tekin）

主要内容

将每个物体的3D模型用9个控制点表示，分别是外切包围盒的8个顶点以及3D模型的重心；算法输入为一个单幅完整的彩色图像，如图1(b)；使用图1(a)的卷积网络将图像划分成SxS的Cell，如图1(c)；网络的输出结果用SxSxD的张量表示，如图1(e)，D的维度为(9x2+C+1)，分别包含了9个2D投影点坐标(xi,yi) ，C个类别概率，以及一个置信值。如果某一个Cell的置信值较低，则删除该Cell。可视化结果如图1(d)。

9个2D投影点坐标说明：网络需要预测的9个点的坐标，包括8个角点和一个中心点。但是我们并不是直接预测坐标值，和yolo v2一样，我们预测的是相对于cell 左上角坐标的偏移。不过中心点和角点还不一样，中心点的偏移一定会落在cell之内（因为中心点落在哪个cell哪个cell就负责预测这个物体），因此通过sigmoid函数将网络的输出压缩到0-1之间，但对于其他8个角点，是有可能落在cell之外的，所以我们没有对8个角点预测添加任何限制。

参考链接

参考1：https://blog.csdn.net/dsoftware/article/details/97616707

参考2：https://zhuanlan.zhihu.com/p/41790888

参考3：https://blog.csdn.net/qq_44756223/article/details/98517113

注

• 该方法 实时性比较高，但精度并不高。

• 原文中提到 基于rgb输入 方法的好处：虽然相对来说精度较低，但主动深度传感器耗电量大，这使得被动RGB图像的6D目标检测方法对移动和可穿戴相机更具吸引力。

• 将cad 模型点云中点的 各个坐标轴极值位置进行组合，即得三维bondingbox 的八个顶点