@ICRA 2015
背景介绍
Affordence 解释:Affordence
本文提出从定位和几何原语提出两种方法学习Affordence:基于高像素的层次匹配(S-HMP)和结构化随机森林(SRF)。
S-HMP
深度特征:首先应用平滑和插值算子来减少噪声和失去的深度值。然后,从块中减去平均值获得深度绝对变化的鲁帮性。这些块直接用HMP学习层次稀疏编码字典。第一层,HMP捕捉原始结构像变化方向的深度边缘,更高层编码越来越抽象的表示。
曲面法线:使用深度相机的内参从估计的3D曲面法线恢复3D点云。
主曲率:主曲率是局部块几何的外在不变量,与视点无关。主曲率(
k
1
,
k
2
k_{1},k_{2}
k1,k2)
k
1
>
k
2
k_{1}>k_{2}
k1>k2描述曲面如何在不同的方向弯曲。
形状指数和曲率(SI+CV):
S
I
=
−
2
π
a
r
c
t
a
n
(
k
1
+
k
2
k
1
−
k
2
)
,
C
V
=
k
1
2
+
k
1
2
2
SI=-\frac{2 }{\pi}arctan(\frac{k_{1}+k_{2}}{k_{1}-k_{2}}),CV=\sqrt{\frac{k_{1}^{2}+k_{1}^{2}}{2}}
SI=−π2arctan(k1−k2k1+k2),CV=2k12+k12
给一张RGB-D图,使用SLIC算法合并深度和曲面法线信息将RGB-D图像中的物体分割成表面小碎片。使用多特征分割是必要的。对于每个高像素,使用HMP从每个不同的几何衡量计算层次稀疏编码HMP。
SRF
随机森林是集成学习的方法组合
K
K
K个决策树,可以进行分类或者回归。这篇论文工作,在输入和输出中对标准的随机森林加入结构化约束:
G
j
=
H
(
D
j
−
∑
c
ϵ
L
,
R
∣
D
j
c
∣
∣
D
j
∣
H
(
D
j
c
)
G_{j}=H(D_{j}-\underset{c\epsilon{L,R}}{\sum}\frac{\left | D_{j}^{c} \right | }{\left | D_{j} \right|}H(D_{j}^{c})
Gj=H(Dj−cϵL,R∑∣Dj∣∣Djc∣H(Djc)
结果