要約
最近の剛体の6次元姿勢推定における傾向は、深層ネットワークを画像から直接姿勢を回帰するか、またはPnPアルゴリズムを使用して姿勢を得ることができる3Dキーポイントの2D位置を予測するように訓練することである。いずれの場合も、物体は全体的なエンティティとして扱われ、単一の姿勢推定が計算される。その結果、これらの技術は大きな遮蔽に対して脆弱となる可能性がある。本論文では、各物体の可視部分が2Dキーポイント位置の形で局所的な姿勢予測に寄与するセグメンテーション駆動型の6次元姿勢推定フレームワークを導入する。その後、予測された信頼度指標を使用して、これらの姿勢候補を堅牢な3D-2D対応集合に結合し、信頼性のある姿勢推定を得る。我々の手法は複数の質感が乏しい物体が互いに遮蔽している場合でも良好に対処できることを示す困難なOccluded-LINEMODおよびYCB-Videoデータセットにおいて最先端の性能を上回っている。さらに、十分にシンプルなアーキテクチャによりリアルタイム性能を達成している。