DeepIM: التطابق التكراري العمق لتقدير وضعية 6D

تقدير وضعية الأشياء بستة أبعاد من الصور هو مشكلة مهمة في العديد من التطبيقات مثل التحكم في الروبوتات والواقع الافتراضي. بينما يكون تقدير الوضعية مباشرة من الصور محدود الدقة، يمكن أن ينتج عن مطابقة صور مرسومة لشيء مع الصورة المشاهدة نتائج دقيقة. في هذا العمل، نقترح شبكة عصبية عميقة جديدة لمطابقة وضعية الأشياء بستة أبعاد تُسمى DeepIM. بناءً على تقدير أولي للوضعية، تكون شبكتنا قادرة على تكرار تحسين الوضعية بمطابقة الصورة المرسومة مع الصورة المشاهدة. يتم تدريب الشبكة على التنبؤ بتحويل وضعية نسبية باستخدام تمثيل غير متداخل لموقع ثلاثي الأبعاد واتجاه ثلاثي الأبعاد وعملية تدريب تكرارية. تظهر التجارب على مقعدين شائعين يستخدمان كمعيار لتقدير وضعية الأشياء بستة أبعاد أن DeepIM حققت تحسينات كبيرة على أفضل الأساليب الحالية. كما نوضح أن DeepIM قادرة على مطابقة أشياء لم يتم رؤيتها سابقًا.