低质量渲染图像的目标物体6D姿态估计
作者:
作者单位:

北京工业大学

作者简介:

通讯作者:

中图分类号:

TP273

基金项目:

国家自然科学基金项目(面上项目,重点项目,重大项目)


6D Object Pose Estimation for Low-Quality Rendering Images
Author:
Affiliation:

Beijing University of Technology

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    从图像中获取目标物体的6D位姿信息在机器人操作和虚拟现实等领域有着广泛的应用,然而基于深度学习的位姿估计方法在训练模型时通常需要大量的训练数据集来提高模型的泛化能力,一般的数据采集方法存在收集成本高同时缺乏3D空间位置信息等问题. 本文提出了一种低质量渲染图像的目标物体6D姿态估计网络框架. 在该网络中,特征提取部分以单张RGB图像作为输入,用残差网络提取输入图像特征;位姿估计部分的目标物体分类流对目标物体的类别进行预测,姿态回归流在3D空间中回归目标物体的旋转角度和平移矢量. 另外,采用域随机化方法以低收集成本方式构建了大规模低质量渲染、带有物体3D空间位置信息的图像数据集Pose6DDR.在所建立的Pose6DDR数据集和LineMod公共数据集上的测试结果证明了本文所提位姿估计方法的优越性以及大规模数据集域随机化生成数据方法的有效性.

    Abstract:

    The 6D object pose obtained from single RGB image has broad applications such as robotic manipulation and virtual reality. However, the deep learning-based pose estimation methods usually require a large amount of trainging data to improve the generalization ability of the model, and in general, the common data generation methods have great challenges in high cost of data collection and lack of 3D information. This paper proposes a 6D object pose estimation network with low-quality rendering images. In this network, the feature extraction part takes a single RGB image as the input of the network, and uses the residual network to extract the features of this image; The classification stream of the pose estimation part predicts the category of the target object, and the regression stream returns the rotation angle and translation vector of the target object in 3D space. Moreover, the domain randomization method is used to establish a large-scale low-quality rendering images with the 3D spatial position information in a low collection cost. The experimental results on the established Pose6DDR dataset and the public LineMod dataset verified the superiority of the proposed pose estimation method and the effectiveness of the established large-scale simulation dataset.

    参考文献
    相似文献
    引证文献
引用本文
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2020-07-30
  • 最后修改日期:2020-09-29
  • 录用日期:2020-10-12
  • 在线发布日期: 2020-12-01
  • 出版日期: