基于卷积自编码器的CNN 深度学习局部RGB-D Patches for 3D Object Detection and 6D Pose Estimation—2016 笔记

基于CNN_卷积自编码器的深度学习局部RGB-D patches用于3D物体检测与6D姿态估计的研究——2016年笔记

基于CNN_卷积自编码器的深度学习局部RGB-D patches用于3D物体检测与6D姿态估计的研究——2016年笔记

深度学习局部RGB-D补丁实现3D目标检测和6D姿态估计

该文章采用神经网络结合基于局部投票机制的方法，在卷积自动编码器（CAE）回归特征描述符的作用下完成与包含局部6D姿态投票机制的密码本之间的匹配任务，并通过引入投票机制和过滤方法获得最终精确的结果。

相关工作中将基于模板和基于特征的方向进行了梳理。

比较了基于模板的方法[14,27,18]与基于描述符的方法[23,13,2]以及基于随机森林的方法[5,30]后，并提出CNN法

摘要

该系统开发出一种基于深度学习的3D目标检测策略，在实验中展现出显著性能优势。
在回归任务中, 本研究采用了一种基于卷积自动编码器的数据重构方法, 其中所使用的编码器已在大规模随机局部区域上进行了充分训练。
在测试阶段, 系统提取的场景补丁描述符与预先建立的合成模型视图