Key points are not available for this paper at this time.
इस कार्य में, हम प्वाइंट क्लाउड डेटा से एक ऑब्जेक्ट के 6D पोज़ का अनुमान लगाने के कार्य को हल करते हैं। जबकि हाल के लर्निंग-आधारित दृष्टिकोणों ने सिंथेटिक डेटा सेट पर उल्लेखनीय सफलता दिखाई है, हमने देखा है कि वे वास्तविक दुनिया के डेटा की उपस्थिति में असफल हो जाते हैं। हम इन असफलताओं के मूल कारणों का अध्ययन करते हैं और दो मुख्य चुनौतियों की पहचान करते हैं: दो प्वाइंट क्लाउड के बीच घूर्णन की सीमा के प्रति व्यापक रूप से उपयोग किए जाने वाले SVD-आधारित हानि कार्य की संवेदनशीलता, और स्रोत और लक्ष्य प्वाइंट क्लाउड के बीच विशेषता वितरण में अंतर। हम सीधे सुपरवाइज्ड हानि कार्य को पेश करके पहली चुनौती का समाधान करते हैं, जो SVD ऑपरेशन का उपयोग नहीं करता है। दूसरी चुनौती का सामना करने के लिए, हम एक नई नॉर्मलाइजेशन रणनीति, मैच नॉर्मलाइजेशन, पेश करते हैं। हमारे दो योगदान सामान्य हैं और इन्हें कई मौजूदा लर्निंग-आधारित 3D ऑब्जेक्ट पंजीकरण ढांचों में लागू किया जा सकता है, जो हम DCP और IDAM में उन्हें लागू करके स्पष्ट करते हैं। हमारे वास्तविक दृश्य TUD-L होदान एट अल. 2018, LINEMOD हिन्टरस्टोइसर एट अल. 2012 और ओक्लूडेड-LINEMOD ब्राचमन एट अल. 2014 डेटा सेट पर किए गए प्रयोग हमारी रणनीतियों के लाभों को प्रमाणित करते हैं। ये पहली बार लर्निंग-आधारित 3D ऑब्जेक्ट पंजीकरण विधियों को वास्तविक दुनिया के डेटा पर महत्वपूर्ण परिणाम प्राप्त करने की अनुमति देते हैं। इसलिए हम उम्मीद करते हैं कि ये प्वाइंट क्लाउड पंजीकरण विधियों के भविष्य के विकास के लिए महत्वपूर्ण होंगे।
डांग एट अल. (बुध,) ने इस प्रश्न का अध्ययन किया।