CullNet : Notes de confiance calibrées et conscientes de la pose pour l'estimation de la pose d'objets

Nous présentons une nouvelle approche pour l'estimation de la pose d'objets à partir d'une seule vue, basée sur des images. Plus précisément, cette étude aborde le problème du rejet des faux positifs parmi plusieurs estimations de pose proposées. Notre méthode proposée vise à résoudre le problème des valeurs de confiance inexactes prédites par les réseaux de neurones convolutifs (CNN), qui sont couramment utilisées par de nombreuses méthodes actuelles pour sélectionner la prédiction finale de la pose de l'objet. Nous introduisons un réseau appelé CullNet, conçu pour résoudre cette tâche. CullNet prend en entrée des paires de masques de pose rendus à partir d'un modèle 3D et des régions découpées dans l'image d'origine. Ces informations sont ensuite utilisées pour calibrer les scores de confiance des propositions de pose. Nos résultats montrent que cet ensemble de scores de confiance recalibrés est significativement plus fiable pour l'estimation précise de la pose de l'objet. Les expérimentations menées sur plusieurs jeux de données exigeants (LINEMOD et Occlusion LINEMOD) démontrent l'utilité de notre méthode proposée. Notre pipeline global d'estimation de la pose surpasse les méthodes les plus avancées dans le domaine sur ces jeux de données standards. Le code source est disponible publiquement à l'adresse suivante : https://github.com/kartikgupta-at-anu/CullNet.