摘要

我们提出了一种基于单张图像的物体位姿估计新方法。本文重点解决多个位姿候选估计中剔除误检（false positives）的问题。现有许多方法依赖卷积神经网络（CNN）预测的置信度值来选择最终的物体位姿预测结果，但这些置信度值往往不够准确。为此，我们提出了一种名为 CullNet 的网络架构，用于解决该问题。CullNet 以从 3D 模型渲染得到的位姿掩码对以及原始图像中裁剪出的区域作为输入，对位姿候选的置信度分数进行校准。实验结果表明，经校准后的置信度分数显著提升了位姿估计的准确性。我们在多个具有挑战性的数据集（LINEMOD 和 Occlusion LINEMOD）上进行了实验，验证了所提方法的有效性。整体位姿估计流程在这些标准物体位姿估计数据集上均优于当前最先进的方法。相关代码已公开，可通过 https://github.com/kartikgupta-at-anu/CullNet 获取。