PoseCNN & DOPE & Yolo-6D对比总结

一、介绍

首先看一下时间线：

PoseCNN(2018.05)→DOPE(2018.07)→Yolo-6D(2018.12)

        PoseCNN是三者里最早发布的文章，对后续的文章会起到一定的借鉴作用。比如，DOPE在处理遮罩问题，回归2D中心点时就借鉴了PoseCNN中向量领域的概念，这个方法待会会在PoseCNN的部分提到。另外，在精度方面，DOPE也拿PoseCNN进行对标。

        值得一提的是，这三种算法均是以2D图像为输入。

（1）PoseCNN：将2D图像中的像素直接回归到6D位姿(R,t);

（2）DOPE：先预测图像中的9个关键点，然后用PnP算法回归到6D位姿(生成3Dbbox）；

（3）Yolo-6D：利用yolo的算法对每个网格生成9个关键点的bbox，然后利用PnP算法回归到6D。

        这三种算法的关键都是找到2D图像中物体的中心，然后回归到相机坐标系下物体的质心。

        下面将具体介绍这三种算法的实现过程。

二、PoseCNN

1. 主要贡献：

（1）提出了用Hough voting的方法（参考ISM这篇论文，见文末链接）来预测出2D中心点，再加上预测物体到相机的距离来计算出物体的3D位置T。这种方法对于处理遮罩问题具有很好的效果。

（2）提出了ShapeMatch-Loss，损失函数，即计算预测出来的3D点到真实3D模型的最近点之间的loss，而不是去算预测点到它对应点之间的loss，这样可以处理对称的物体，防止它因为出现多个groundtruth的情况下，局部loss太大，影响模型精度。

（3）提出了新的数据集，YCB-Video dataset，视频数据集。

2. 实现细节

（1）模型框架

骨架是VGG16

         这个网络主要包含了三个阶段。

        第一个阶段是特征提取，通过卷积层和池化层对对不同分辨率的图片进行特征提取，最终得到一个通道数为512的feature map。

        第二阶段是嵌入网络，通过转置卷积核来放大图片分辨率。

        第三阶段是来对每一个像素进行分类（即作语义分割），并对每一个像素计算一个到中心点的向量来进行投票，得到2D中心点（Hough voting）。另外，通过ROI pooling层来筛选bbox，根据非极大值抑制原则。最后，通过三个全连接层来回归物体的旋转姿态R。

        输出分为三部分：语义分割、3D位移、3D旋转

                         

（2）3D位移估计

 根据公式：