类别级对象构成估计与统计注意力
Changhong Jiang1, Xiaoqiao Mu2, Bingbing Zhang3
1School of Electrical and Electronic Engineering, Changchun University of Technology, Changchun 130012, China.
Sensors (Basel, Switzerland)
|August 29, 2024
概括
SAPENet通过将统计注意力用于更高阶特征分析来改进六维对象姿势估计. 这种方法增强了对复杂形状和物体差异的理解,实现了最先进的结果.
科学领域:
- 计算机视觉 计算机视觉
- 3D对象的姿势估计 3D对象的姿势估计
背景情况:
- 使用3D-GC进行类别级对象姿势估计显示出希望,但与远程依赖和详细的对象差异作斗争.
- 现有的使用自我注意或变压器的方法专注于一级特征,忽视复杂的信息和细粒度的区别.
研究的目的:
- 提出SAPENet,一个增强的3D-GC架构,用于改进六维对象立场估计.
- 解决捕捉远程依赖和辨别微妙对象变化的局限性.
主要方法:
- 在编码器中用HS层取代了3D-GC,用于特征提取.
- 集成的统计注意力来计算更高层次的统计信息.
- 开发了用于姿势回归,点云重建和界限框投票的专门子模块,对姿势回归给予统计关注.
主要成果:
- 在5°2厘米尺度上获得了49.5的平均平均精度 (mAP),比基线提高了3.4个点.
- 在REAL275数据集上展示了最先进的 (SOTA) 性能.
结论:
- SAPENet有效地捕获了更高层次的统计信息和几何关系,优于现有的方法.
- 拟议的方法显著推进了类别级对象立场估计,特别是对于复杂和封闭的对象.
