6dofPVNettheirs

from https://zhuanlan.zhihu.com/p/65400509

1. 引言

1.1 论文的问题描述

输入一张图片，6D Pose Estimation这个问题的目标是检测出物体在3D空间中的位置和姿态。随着计算机视觉算法的提升，对3D空间中物体状态的检测越来越受关注。在2018 ECCV上，最佳论文奖也授予给了6D Pose Estimation领域的论文。

通过感知图片中物体的状态，可以提高计算机对这个世界的认知，从而有诸多应用，比如机器抓取，物流仓库无人运输，AR/VR。近年来，亚马逊开展的Amazon Picking Challenge，预示着6D Pose Estimation在工业无人化的重要应用。

1.2 当前方法在这个问题的局限性

传统方法常常借助local descriptor来解决6D Pose Estimation这个问题。但是，对于没有表面问题的物体，local descriptor的提取往往很差。近年来，深度学习对场景理解的能力非常瞩目，也就有工作希望通过一个网络直接从图片中回归出物体的6D Pose，但发现网络的泛化能力一般。6D Pose的搜索空间大，是导致网络泛化能力一般的一个原因。

最新的6D Pose Estimation工作会先在2D图片中检测物体的关键点，然后通过2D-3D的对应，用PnP计算出物体的6D Pose。在2D图片中检测关键点大大减小了网络的搜索空间，深度学习方法在6D Pose Estimation的效果也有了很大的提升。但对于Occlusion，Truncation这些状态下的物体，效果仍然有局限性。

1.3 我们的观察和对问题的解决

我们观察到，对于occlusion的物体，图片中有很多其他无关物体的干扰。因此，我们提出利用物体可见部位的局部信息，来检测关键点。首先，我们检测出物体的可见部位。然后，每个像素预测一个指向物体关键点的方向向量。

这个新的关键点定位方法相对于heatmap的关键点检测方法有三大优势。一个是heatmap方法对关键点只有一次预测，而在我们的方法中，物体可见部分的像素对关键点都有一个预测，极大提高了模型的鲁棒性。第二个优势是，我们对物体关键点的方向向量场的表示，很大程度的利用了刚体物体的性质。对于刚体物体，我们人只要见到物体露出的一部分，就能推测出物体其他部分的方向。通过方向向量场的表示，可以帮助网络学习到刚体物体的结构性质。第三个优势是，heatmap只能表示图片内的关键点，而方向向量场可以检测图片外的关键点，所以可以检测Truncation状态下的物体的6D Pose。

1.4 论文的效果

因为我们关键点定位方法的两大优势，我们的论文PVNet在6D Pose Estimation上有很大的提升。在经典的LINEMOD数据集上，我们方法在ADD(-S) metric上有30.32%的提升。在比较困难的Occlusion LINEMOD数据集上，有10.37%的提升。我们的论文方法只输入RGB图片，和目前效果最好的RGB-D方法DenseFusion在LINEMOD数据集上效果相同。而且，我们方法还能实时检测6D Pose，有25FPS的速度，在我们的论文主页中有一个实时demo。我们还发布了一个Truncation LINEMOD数据集，用于推动community对Truncation状态下的物体的6D Pose Estimation。

2. 论文方法

2.1 一种新的关键点定位方法

我们论文的主要贡献是提出了一个新的关键点定位方法。首先，PVNet读入一张RGB图片，然后输出目标物体的semantic segmentation和指向物体关键点的向量场。随后，通过Ransac voting，我们从方向向量场计算出物体的关键点。

在关键点的生成过程中，PVNet同时还会生成物体关键点的概率分布，也就是关键点空间分布的mean和covariance。我们随后在PnP中，利用关键点的不确定性，进一步提升了6D Pose Estimation的鲁棒性。

2.2 对物体关键点的新定义

在实验中，我们还发现物体关键点的定义对关键点的定位影响很大。之前的深度学习方法将物体的关键点简单地定义为物体在3D空间中的bounding box的八个角点。这8个角点在2D图片中可能离物体比较远，加大了关键点检测的难度。我们用farthest point sampling算法，生成物体表面的8个关键点。在实验中可以看出，角点的covariance往往比较大，而物体表面关键点的不确定性比较小。

3. 实验分析

3.1 Ablation study

在实验中，我们首先验证了自己提出的做法的有效性，包括关键点定位方法和新的关键点定义。实验在Occlusion LINEMOD上进行，metric为ADD(-S) metric。

Tekin一列代表之前检测bounding box角点的工作，而BBox 8一列是PVNet检测bounding box角点时的6D Pose Estimation Accuracy。可以看出，我们提出的关键点定位方法有很大的提升。

FPS 8一列，是我们PVNet检测8个表面关键点时的6D Pose Estimation Accuracy。可以看出，检测表面关键点，可以让ADD(-S) metric有进一步的提升。

3.2 与其他方法的比较

我们在LINEMOD数据集和Occlusion LINEMOD数据集上和之前的方法进行了比较。在经典的LINEMOD数据集上，我们方法在ADD(-S) metric上有30.32%的提升。在比较困难的Occlusion LINEMOD数据集上，有10.37%的提升。值得注意的是，在LINEMOD上，我们的方法和使用RGB-D输入的DenseFusion效果一样。

4. 参考文献

[1] Tekin, Bugra, Sudipta N. Sinha, and Pascal Fua. "Real-time seamless single shot 6d object pose prediction." CVPR. 2018.

[2] Wang, Chen, et al. "DenseFusion: 6D Object Pose Estimation by Iterative Dense Fusion." CVPR. 2019.