3D目标识别与姿态估计：descriptors for object recognition and 3d pose estimation（笔记）——2015

通过CNN学习描述符进行3D物体识别和姿态估计（笔记）——2015

《Learning descriptors for object recognition and 3D pose estimation》

摘要

通过在描述符之间强制执行简单的相似性和相异性约束（约束很好地将来自不同对象和不同视图的图像解开成簇，不仅分离良好且结构化为相应姿态集的聚类）来训练CNN来计算关键点描述符

通过在描述符之间强制执行简单的相似性和相异性约束...

引言

最近邻Nearest Neighbor分类广泛应用于大规模问题领域,因其算法复杂度仅为O(1),同时支持动态添加与删除目标特性,但在CNN架构中难以直接实施。
尽管如此,NN法仍需依赖一个简洁且能有效区分不同特征的目标描述向量,以确保其表现显著优于SIFT或SURF等传统手工设计的方法。
在特征提取过程中,我们不仅关注于单一的目标点特征信息,更重要的是获取目标的整体身份与姿势信息。
为此,所学习到的特征点描述符应具备以下两个关键属性:首先,不同类别的对象间特征向量欧氏距离需较大;其次,同一类别对象间特征向量之间的欧氏距离应能够反映其姿势差异程度。

4. 利用描述符匹配机制获取目标及其姿态信息。
5. 该方法是首个学习计算对象视图描述符的方法, 其优势体现在以下两个方面:
   (1) 基于扩展最近邻搜索技