基于RGB-D的6D目标检测算法
本文参考了ITAIC的文章 A Review of 6D Object Pose Estimation
概览
这里介绍几篇经典的基于RGB-D的6D目标检测算法。
RGB-D，就是RGB + Depth，也就是彩色图像 + 深度信息。
直觉上来说，比单纯的RGB有了更多的信息，精度也会变得更加高了。
这里给出RGB部分方法的性能进行对比，RGB-D的指标是采用的ADD(-S), 所以我们就只看第3，4，5列的指标
算法REDE在Linemod、Occlusion Linemod、YCB-Video数据集上基本已经超越了所有的RGB算法。
接下来，我们主要介绍三个RGB-D算法G2LNet、PVN3D以及REDE。
G2L-Net
G2L-Net: Global to Local Network for Real-time 6D Pose Estimation with Embedding Vector Features
如上图所示，分成三个步骤：
全局的定位（Global Localization）
平移的定位（Translation Localization）
旋转的定位（Rotation Localization）
全局的定位
具体而言，首先将RGB图像送到CNN中，得到三个东西：边界框，类别概率图（class probability map），类别向量
文章使用的是一个YOLOv3作为2D的目标检测器
利用2D的边界框架上深度信息，就可以构造出一个个棱台（frustum proposal），只考虑棱台中包含的空间点，便减少了所需要计算的数据规模。
这里文章引入了一种3D球的约束，将点云变得更加紧致
最终输出一系列的点云，对应2D目标检测的结果
平移的定位
利用3D的点云信息，做语义分割，得到分割后的点云，即每一个空间点有自己的类别
旋转的定位
这里将类别向量引入，以点云信息作为输入，直接输出对应的旋转
PVN3D
PVN3D: A Deep Point-Wise 3D Keypoints V oting Network for 6DoF Pose Estimation
个人认为其主要的贡献在于结合了语义分割的技术
如上图所示，整个PVN3D可以被分成多个部分：
特征抽取
3D关键点检测
语义分割
6DoF姿态估计
特征抽取
这里使用一个卷积网络CNN和一个PointNet++分别提取RGB特征以及深度特征，然后进行特征融合。
3D关键点检测、语义分割
使用MLP来分别估计关键点的平移、中心点以及每一个点的语义类别标签
可以看到，其输出的维度分别对应3、22、3，即3个平移的偏移值，22个类别，以及3个中心点偏移值。
然后使用语义标签和中心点，使用投票Vote和聚类Cluster，得到一个实例级别的语义分割
然后将这个结果结合关键点检测，就能给这些关键点分配对应的实体
6DoF姿态估计
使用最小二乘（Least-Square Fitting）实现姿态估计，输出旋转矩阵R以及平移t
REDE
REDE: End-to-End Object 6D Pose Robust Estimation Using Differentiable Outliers Elimination
我们先来看看该方法和其他方法的区别
如上图所示，(c)是基于关键点回归的方法，(d)是REDE方法
可以看到，用CNN去做关键点的检测这一步，大家都是一样的，只不过在后面对姿态进行估计时，REDE是可差分的，能够直接反向传播到前面所有的可学习的参数上。
回想一下上面的PVN3D，在计算关键点之后，便使用最小二乘去估计姿态，估计的偏差并不会影响前面的参数，所以仍然属于(c)。
下面给出其方法的概览
从左到右：
-
首先使用点级别的编码
类似PVN3D，这里也是分别进行编码，用PSPNet抽取RGB特征，用PointNet抽取深度图信息
最后将RGB特征和深度特征融合在一起，具体实现可以参考其仓库中的 lib/network.py
然后使用快速点采样 (Fast Point Sample，FPS) 得到K个关键点，用网络估计这些关键点的偏移，计算L1误差
这里引入一个异常偏移消除 (Outlier Offsets Elimination) 技术，对于每一个点的偏移估计，多计算一个置信度c，在计算关键点位置的时候，乘以这个置信度
使用一个Minimal Solvers Bank，对每三个关键点求姿态估计，这样就可以生成 C_K^3 个姿态，提高整体的鲁棒性
最后，对 C_K^3 个姿态，加权平均，通过2范数和F范数计算偏移和旋转的误差，实现可微分的误差计算
