تطبيع المطابقة: تسجيل سحاب النقاط المعتمد على التعلم لتقدير وضع كائن ثلاثي الأبعاد في العالم الحقيقي

في هذا العمل، نتناول مهمة تقدير وضع كائن ثلاثي الأبعاد من بيانات سحاب النقاط. بينما أظهرت الأساليب الحديثة المعتمدة على التعلم نجاحًا ملحوظًا على مجموعات البيانات الاصطناعية، لوحظ أنها تفشل في وجود بيانات العالم الحقيقي. نستكشف الأسباب الجذرية لهذه الإخفاقات ونحدد تحديين رئيسيين: حساسية دالة الخسارة المعتمدة على SVD المستخدمة على نطاق واسع لنطاق الدوران بين سحبي النقاط، والاختلاف في توزيعات الميزات بين سحاب النقاط المصدر والهدف. نتناول التحدي الأول من خلال تقديم دالة خسارة مشرف مباشر لا تستخدم عملية SVD. لمواجهة الثاني، نقدم استراتيجية تطبيع جديدة، تطبيع المطابقة. إن مساهماتنا الاثنين عامة ويمكن تطبيقها على العديد من أطر تسجيل الكائنات ثلاثية الأبعاد المعتمدة على التعلم الموجودة، والتي نوضحها من خلال تنفيذها في اثنين منها، DCP و IDAM. تؤكد تجاربنا على مجموعات بيانات TUD-L Hodan et al. 2018، و LINEMOD Hinterstoisser et al. 2012، و Occluded-LINEMOD Brachmann et al. 2014 فوائد استراتيجياتنا. إنها تسمح لأول مرة لأساليب تسجيل الكائنات ثلاثية الأبعاد المعتمدة على التعلم بتحقيق نتائج ذات معنى على بيانات العالم الحقيقي. وبالتالي، نتوقع أن تكون مفتاحًا للتطورات المستقبلية لطرق تسجيل سحاب النقاط.