PVN3D : Un réseau de vote de points 3D en profondeur pour l'estimation de la pose 6DoF

Dans cette étude, nous présentons une nouvelle méthode basée sur les données pour une estimation robuste de la position d'un objet en 6 degrés de liberté (6DoF) à partir d'une seule image RGBD. Contrairement aux méthodes précédentes qui régressent directement les paramètres de position, nous abordons cette tâche complexe par une approche basée sur les points clés. Plus précisément, nous proposons un réseau neuronal profond de vote de Hough pour détecter les points clés 3D des objets, puis estimer les paramètres de position en 6D selon une méthode d'ajustement par moindres carrés. Notre méthode constitue une extension naturelle des approches basées sur les points clés 2D qui ont fait leurs preuves dans l'estimation 6DoF à partir d'images RGB. Elle nous permet d'utiliser pleinement la contrainte géométrique des objets rigides grâce aux informations de profondeur supplémentaires et est facile à apprendre et à optimiser pour un réseau neuronal. Des expériences approfondies ont été menées pour démontrer l'efficacité de la détection des points clés 3D dans la tâche d'estimation de la position en 6D. Les résultats expérimentaux montrent également que notre méthode surpass largement les méthodes actuelles sur plusieurs benchmarks. Le code source et une vidéo sont disponibles à l'adresse suivante : https://github.com/ethnhe/PVN3D.git.