Segmentation-driven 6D Object Pose Estimation

1 物体分割

  物体分割网络分支基于encoder-decoder形似的网络，encoder部分采用了YOLOv3的Backbone Darknet-53，decoder部分并没有上采样得到原图尺寸的结果，所以分割的基本单位不是像素，而是文中所说的grid cell。

2 关键点回归

  这里对物体6D位姿估计也是通过回归三维BBox的二维投影点坐标，不过并不是通过全局的回归，而是每个属于该物体的grid cell都进行关键点的回归。网络结构部分和分割分支一样也是encoder-decoder范式，两者共用encoder部分，区别位于输入张量的通道维，分割阶段输出张量的通道维为K+1(K是物体的总类)，回归阶段输出张量的通道维是3N(N是每个物体的关键点个数，每个关键点预测两个坐标偏移值，外加一个置信值)

3 推理阶段

  推理阶段，分割结果显示是物体的grid cell，对于每一类，对该类的grid cell预测的关键点进行聚类以便处理多实例的情况，然后再根据置信度的值，选择前10个grid cell, 采用RANSAC版的EPnP求解位姿。