KRF: Keypoint Refinement with Fusion Network for 6D Pose Estimation

要約

既存の改良方法は、姿勢推定方法の精度をさらに向上させる能力を徐々に失います。
この論文では、特に深刻なオクルージョンを持つオブジェクトの6Dポーズ推定のために、新しい改良パイプラインであるキーポイント改良とフュージョンネットワーク（KRF）を提案します。
パイプラインは 2 つのステップで構成されます。
最初に、新しいポイント補完ネットワークを介して入力ポイント クラウドを完成させます。
ネットワークは、ポイント完了時のポーズ情報を考慮して、ローカルとグローバルの両方の機能を使用します。
次に、完成したオブジェクト点群を、Color supported Iterative KeyPoint (CIKP) によって、対応するターゲット点群に登録します。
CIKP メソッドは、登録に色情報を導入し、各キーポイントの周りに点群を登録して安定性を高めます。
KRF パイプラインは、既存の一般的な 6D 姿勢推定方法と統合できます。
フルフローの双方向融合ネットワークにより、姿勢推定の精度がさらに向上しました。
実験では、YCB-Video データセットで 93.9\% から 94.4\% まで、Occlusion LineMOD データセットで 64.4\% から 66.8\% まで、私たちの方法が最先端の方法より優れていることが示されています。
ソース コードは https://github.com/zhanhz/KRF で入手できます。

要約(オリジナル)

Existing refinement methods gradually lose their ability to further improve pose estimation methods’ accuracy. In this paper, we propose a new refinement pipeline, Keypoint Refinement with Fusion Network (KRF), for 6D pose estimation, especially for objects with serious occlusion. The pipeline consists of two steps. It first completes the input point clouds via a novel point completion network. The network uses both local and global features, considering the pose information during point completion. Then, it registers the completed object point cloud with corresponding target point cloud by Color supported Iterative KeyPoint (CIKP). The CIKP method introduces color information into registration and registers point cloud around each keypoint to increase stability. The KRF pipeline can be integrated with existing popular 6D pose estimation methods, e.g. the full flow bidirectional fusion network, to further improved their pose estimation accuracy. Experiments show that our method outperforms the state-of-the-art method from 93.9\% to 94.4\% on YCB-Video dataset and from 64.4\% to 66.8\% on Occlusion LineMOD dataset. Our source code is available at https://github.com/zhanhz/KRF.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google