6D姿态估计算法汇总（下）

前言

接着上篇6D姿态估计算法汇总（上），原文请见6D姿态估计算法汇总（下）

10、PoseNet: A Convolutional Network for Real-Time 6-DOF Camera Relocalization

论文链接：https://arxiv.org/abs/1505.07427
代码链接：http://mi.eng.cam.ac.uk/projects/relocalisation/

主要思想：本文提出了一个鲁棒且可以实时运行的重定位系统，该系统利用一个CNN实现了输入为RGB图像输出为相机位姿的端到端定位系统。该系统在室内和室外都能够以每帧5ms的计算速度实时运行。其在室外场景的定位精度为2m&3°，在室内场景的定位精度为0.5m&5°。除此之外，提出了23层深度卷积网络PoseNet，利用迁移学习将分类问题的数据库用于解决复杂的图像回归问题。其训练得到的特征相较于传统局部视觉特征，对不同的光照、运动模糊以及不同的相机内参等具有更强的鲁棒性。同时，该论文展示了PoseNet基于已有的分类数据库可以在很少训练样本的情况下取得很好的性能。

主要贡献：
1、提出了一种自动标注方法，利用SfM自动生成训练样本的标注（相机位姿），可以仅利用视频生曾用于训练PoseNet的训练样本和标注，不需要人工标注每一幅图像的位姿信息，极大地节约了人力成本。
2、提出迁移学习，利用训练好的分类器（classifier）以及少量的训练样本训练得到用于重定位的回归器（regressor），可以有效解决训练样本不足的问题。

实验结果：

11、6-PACK: Category-level 6D Pose Tracker with Anchor-Based Keypoints

论文链接：https://arxiv.org/abs/1910.10750v1
代码链接：https://sites.google.com/view/6packtracking

主要思想：本文提出了一种基于RGB-D数据的类别级6D目标姿态跟踪的深度学习方法-6-PACK算法。论文中的方法可以实时跟踪已知对象类别（如碗、笔记本电脑和杯子）的新对象实例。6-PACK学习通过少量的3D关键