Points clés sur le filtrage de points clés dans l'estimation de la pose de cibles spatiales avec l'apprentissage profond

L'estimation de la pose de cibles spatiales avec l'apprentissage profond a suscité une attention croissante ces dernières années. Cependant, les méthodes existantes dans ce domaine souffrent d'une mauvaise généralisation. Dans cette étude, nous proposons une méthode d'estimation de pose robuste et fiable pour les cibles spatiales. La méthode vise à réaliser un filtrage de points clés. Elle implique un réseau de détection chargé d'identifier la zone cible, tandis que l'étape suivante utilise un réseau de classification pour régressé les points clés à partir de la zone cible détectée. Pour améliorer l'exactitude de l'estimation de la pose, nous exploitons les contraintes géométriques des cibles spatiales pour formuler des équations de points clés 2-D–3-D pour une pose initiale. Ensuite, nous créons une équation d'optimisation non linéaire basée sur la confiance des points clés 2-D et réalisons un raffinement non linéaire. Nous effectuons des expériences approfondies sur des ensembles de données couramment utilisés et démontrons l'efficacité de la méthode proposée. De plus, grâce à l'efficacité du filtrage de points clés et du raffinement non linéaire, la méthode proposée est robuste dans des scénarios difficiles et en cas de biais de domaine.