基于稠密向量图的物体6D位姿回归算法

U621.3%TP183; 针对稀疏间接两阶段位姿估计算法遮挡、噪声鲁棒性差、实时性低以及n点透视投影(perspective-n-point,Pn P)计算过程不可微分等难题,提出基于稠密向量图的端到端物体 6D位姿回归算法.以投票算法第 1 阶段预测的稠密张量信息为输入,代替逐像素投票及Pn P计算环节,端到端直接回归物体6D位姿.首先,在特征提取模块提取成对向量特征;其次,在特征聚合模块引入基于余弦相似函数的聚类特征损失正则项;最后,通过旋转、平移解耦推理物体6D位姿.在网络训练的数据输入环节加入随机噪声数据以提升算法的噪声鲁棒性,在球体合成数据集和Occlusion-LINEMOD数据...

Full description

Saved in:
Bibliographic Details
Published in北京工业大学学报 Vol. 50; no. 12; pp. 1409 - 1420
Main Authors 左国玉, 喻杉, 顾宗函, 郑榜贵
Format Journal Article
LanguageChinese
Published 北京工业大学信息学部,北京 100124 01.12.2024
计算智能与智能系统北京市重点实验室,北京 100124
Subjects
稠密向量图
deep learning
特征聚类
深度学习
pose estimation
end-to-end
端到端
feature aggregation
位姿解耦
estimation decoupling
位姿估计
dense vector graphs
Online AccessGet full text
ISSN0254-0037
DOI10.11936/bjutxb2023070002

Cover

More Information
Summary:U621.3%TP183; 针对稀疏间接两阶段位姿估计算法遮挡、噪声鲁棒性差、实时性低以及n点透视投影(perspective-n-point,Pn P)计算过程不可微分等难题,提出基于稠密向量图的端到端物体 6D位姿回归算法.以投票算法第 1 阶段预测的稠密张量信息为输入,代替逐像素投票及Pn P计算环节,端到端直接回归物体6D位姿.首先,在特征提取模块提取成对向量特征;其次,在特征聚合模块引入基于余弦相似函数的聚类特征损失正则项;最后,通过旋转、平移解耦推理物体6D位姿.在网络训练的数据输入环节加入随机噪声数据以提升算法的噪声鲁棒性,在球体合成数据集和Occlusion-LINEMOD数据集上的测试结果证明了该算法的有效性.
ISSN:0254-0037
DOI:10.11936/bjutxb2023070002