Core Concepts
본 연구는 3D 형상 프라이어 정보만을 활용하여 다중 물체의 3D 형상 복원 및 범주 수준의 6자유도 자세 추정을 수행하는 자기 지도 학습 네트워크를 제안한다.
Abstract
본 논문은 3D 형상 복원 및 범주 수준의 6자유도 자세 추정을 위한 자기 지도 학습 네트워크를 제안한다. 주요 내용은 다음과 같다:
관찰된 점군 데이터와 3D 형상 프라이어 정보를 활용하여 SE(3) 등가 자세 특징과 3D 크기 불변 형상 정보를 모두 학습할 수 있는 Prior-Aware Pyramid 3D Point Transformer 모듈을 제안한다.
형상 프라이어와 관찰 데이터 간의 연관성을 학습하여 클래스 내 형상 변이 문제를 해결할 수 있는 사전 학습-미세 조정 자기 지도 학습 패러다임을 제안한다.
4개의 공개 데이터셋과 자체 구축 데이터셋에 대한 실험 결과, 제안 방법이 기존 자기 지도 학습 기반 범주 수준 자세 추정 방법들을 크게 능가하며, 일부 완전 지도 학습 기반 방법들과도 견줄 만한 성능을 보인다.
Stats
관찰된 점군 데이터와 3D 형상 프라이어 간의 특징 거리는 클래스 내 물체 간 유사도를 나타낸다.
제안 방법은 관찰 데이터와 형상 프라이어 간의 연관성을 학습하여 클래스 내 형상 변이 문제를 해결할 수 있다.
제안 방법은 완전 지도 학습 기반 범주 수준 자세 추정 방법들과 유사한 성능을 보인다.
Quotes
"본 연구는 3D 형상 프라이어 정보만을 활용하여 다중 물체의 3D 형상 복원 및 범주 수준의 6자유도 자세 추정을 수행하는 자기 지도 학습 네트워크를 제안한다."
"제안 방법은 관찰 데이터와 형상 프라이어 간의 연관성을 학습하여 클래스 내 형상 변이 문제를 해결할 수 있다."
"제안 방법은 완전 지도 학습 기반 범주 수준 자세 추정 방법들과 유사한 성능을 보인다."