ポーズ認識畳み込み：ロバストな6Dポーズ推定のためのジオメトリ適応型受容野の学習

科学分野:

• コンピュータビジョン
• ロボット工学
• 機械学習

背景:

• 6Dオブジェクトポーズ推定は、ロボット工学とARにとって不可欠ですが、オブジェクトのアスペクト比や外観のばらつきによって課題が生じています。
• 既存の方法では、固定された畳み込み受容野とオブジェクトの形態との間の幾何学的不一致が見過ごされることがよくあります。
• この不一致は、現在の6Dポーズ推定技術のパフォーマンスを制限します。

研究 の 目的:

• 特徴抽出における幾何学的不一致を解決するための、新しいPose-Perceptive Convolution (PPC)を提案すること。
• ロバストな6Dオブジェクトポーズ推定のための、新しいPose-Perceptive Fusion Network (PPF-Net)を導入すること。
• ポーズ推定精度を向上させるための、効率的なフロントエンド特徴抽出戦略を実証すること。

主な方法:

• 受容野の形状とサンプリング密度を動的に適応させるPose-Perceptive Convolution (PPC)を開発しました。
• 特徴抽出のためにPPCを統合したPose-Perceptive Fusion Network (PPF-Net)を構築しました。
• MP6DおよびYCB-Videoを含む4つのベンチマークデータセットでPPF-Netを評価しました。

主要な成果:

• PPF-Netは、MP6DでFFB6Dを19.4%上回るVSDスコアを達成しました。
• YCB-Videoで96.7%のADD-S精度を達成し、最先端技術に迫りました。
• 計算オーバーヘッドを最小限に抑えながら、大幅な精度の向上が実証されました。

結論:

• Pose-Perceptive Convolutionは、6Dオブジェクトポーズ推定における幾何学的不一致を効果的に解決します。
• PPF-Netは、正確な6Dポーズ推定のためのロバストで計算効率の高いソリューションを提供します。
• フロントエンド特徴抽出は、6Dポーズ推定のロバスト性を向上させるための効率的な戦略です。