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）

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

1. 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。
2. 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。
3. 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。
4. 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。