CNN兼容着色框架：RGB-D Object Recognition and Pose Estimation based on Pre-trained CNN Features笔记——（2015）

基于预训练的CNN特征实现RGB-D目标识别与姿态估计笔记——（2015）

RGB-D Object Recognition and Pose Estimation based on Pre-trained Convolutional Neural Network Features（2015）

摘要

1. 文章通过深度卷积神经网络（CNN）的转移学习来解决训练数据集的问题，提供丰富的，语义上有意义的特征集。融合CNN未经训练的深度信息（通过从规范视角渲染目标并根据与目标中心的距离着色深度通道）。

引言

2. 数据集不够——重复利用CNN在大范围任务中学到的特征，并将其应用于较小的家庭对象数据集上的不同任务中。
3. 文章算法对目标进行分割，去除混杂背景信息并将它们调整为CNN的输入分布。然后将CNN计算的特征送到支持向量机（SVM），确定目标类，实例和姿势。
4. 转换深度数据，使在彩色图像上训练的CNN容易理解。
5. 文章贡献：
   （1）提出新的RGB-D图像预处理pipeline，便于CNN进行目标分类，实例识别和姿势回归。
   （2）分析我们的pipeline和预训练的CNN产生的特征。它们自然地将常见的家庭目标类别及其实例分开，并产生低维度的姿态流形。