一种基于多模态稠密融合网络的物体6D姿态估计方法
基本信息
| 申请号 | CN202210574035.0 | 申请日 | - |
| 公开（公告）号 | CN114663514A | 公开（公告）日 | 2022-06-24 |
| 申请公布号 | CN114663514A | 申请公布日 | 2022-06-24 |
| 分类号 | G06T7/73（2017.01）I;G06V10/80（2022.01）I;G06V10/82（2022.01）I;G06V10/26（2022.01）I;G06V10/762（2022.01）I;G06N3/04（2006.01）I;G06N3/08（2006.01）I;G06K9/62（2022.01）I | 分类 | 计算；推算；计数; |
| 发明人 | 宋亚楠;刘贤斐;沈卫明;姜泽维;周迪楠 | 申请（专利权）人 | 浙江大学计算机创新技术研究院 |
| 代理机构 | 杭州求是专利事务所有限公司 | 代理人 | - |
| 地址 | 311200浙江省杭州市萧山区宁围街道市心北路857号383室 | ||
| 法律状态 | - | ||
摘要
| 摘要 | 本发明公开了一种基于多模态稠密融合网络的物体6D姿态估计方法。将物体的RGB图像和点云输入物体6D姿态估计网络训练和预测获得旋转和平移变换结果；网络中用卷积神经网络提取物体表面特征，对物体表面特征截取后再与物体几何特征拼接融合成局部模态稠密融合特征，输入下一多层感知机获取物体几何特征，融合得全局多模态稠密融合特征，再输入到实例分割关键点处理模块得目标关键点，结合最远点采样得采样关键点，通过奇异值分解获得6D姿态信息。本发明方法能够充分利用物体的RGB信息和深度信息，两种模态信息的相互补充融合能有效提高网络对相似物体的姿态判别能力，对噪声、遮挡、低纹理等复杂环境具有较强的适应性。 |
