用CNN_卷积自编码器:深度学习局部 RGB-D Patches for 3D Object Detection and 6D Pose Estimation—2016(笔记)
深度学习局部RGB-D补丁实现3D目标检测和6D姿态估计
文章采用神经网络与基于局部投票相结合的方法,以卷积自动编码器(CAE)回归特征描述符,实现与包含局部6D姿态投票的密码本进行匹配,最后通过投票和过滤的方法得到最终精确结果。
相关工作中将基于模板和基于特征的方向进行了梳理。
对比了基于模板的方法[14,27,18]与基于描述符的方法[23,13,2]以及基于随机森林的方法[5,30],之后引出CNN法
摘要
- 文章提出了一种3D对象检测方法,该方法使用局部采样的RGB-D patch的回归描述符进行6D投票。
- 对于回归,我们使用卷积自动编码器,该编码器已经在大量随机局部补丁上进行了训练。
- 在测试期间,场景补丁描述符与合成模型视图补丁的数据库匹配并投射6D对象投票,随后将这些投票过滤到重新设定的假设。
- 我们对三个数据集进行评估,以表明我们的方法很好地概括了以前看不见的输入数据,提供了强大的检测结果,可以在对象数量可扩展的同时与现有技术竞争并超越现有技术。