GPT-COPE : Un transformateur de points guidé par graphe pour l'estimation de pose d'objet au niveau de catégorie

L'estimation de pose d'objet au niveau de catégorie vise à prédire la pose 6D et la taille métrique 3D des objets provenant de catégories données. En raison des variations de forme intraclasse significatives entre différentes instances, les méthodes existantes se sont principalement concentrées sur l'estimation de correspondances denses entre les nuages de points observés et leurs représentations canoniques, c'est-à-dire l'espace de coordonnées d'objet normalisé (NOCS). Par la suite, une transformation de similarité est appliquée pour récupérer la pose et la taille de l'objet. Malgré ces efforts, les approches actuelles ne peuvent toujours pas exploiter pleinement les caractéristiques géométriques intrinsèques des instances individuelles, limitant ainsi leur capacité à traiter des objets avec des structures complexes (c'est-à-dire des caméras). Pour surmonter ce problème, cet article présente GPT-COPE, qui exploite un transformateur de points guidé par graphe pour explorer des caractéristiques géométriques distinctives du nuage de points observé. Plus précisément, notre GPT-COPE utilise un encodeur d'attention guidé par graphe pour extraire des caractéristiques géométriques multiscales de manière locale à globale et utilise un décodeur non paramétrique itératif pour agréger les caractéristiques géométriques multiscales des échelles plus fines aux échelles plus grossières sans paramètres apprenables. Après avoir obtenu les caractéristiques géométriques agrégées, les coordonnées et la forme NOCS de l'objet sont régressées par le mécanisme d'adaptation de forme prior, et la pose et la taille de l'objet sont obtenues à l'aide de l'algorithme d'Umeyama. Le design du réseau multiscale permet de percevoir la forme globale et l'information structurelle de l'objet, ce qui est bénéfique pour gérer des objets avec des structures complexes. Les résultats expérimentaux sur les ensembles de données NOCS-REAL et NOCS-CAMERA démontrent que notre GPT-COPE atteint des performances de pointe et surpasse significativement les méthodes existantes. De plus, notre GPT-COPE montre une capacité de généralisation supérieure par rapport aux méthodes existantes sur l'ensemble de données à grande échelle Wild6D et obtient de meilleures performances sur l'ensemble de données REDWOOD75, lequel implique des objets avec des orientations non contraintes.