【技术实现步骤摘要】
本专利技术涉及模式识别与计算机视觉领域，特别是基于形状增强和位置嵌入编码的类别级目标姿态估计方法。
技术介绍
1、近些年来，三维图卷积网络在计算机视觉领域取得了巨大的成功，而基于深度学习的类别级姿态估计方法也利用了三维图卷积网络在特征提取方面的优势，在公开数据集上不断创造新的记录并取得了很大的发展。类别级对象姿态估计从给定的一组对象类别中预测先前未看到的实例的6d姿态以及3d尺寸大小，解放了实例级姿态估计的限制，广泛应用于机器人、增强现实和自动驾驶等领域，具有巨大的商业价值，学术界与工业界都在不断地探索新的类别级姿态估计技术，在各个计算机视觉会议里也有越来越多的研究者发表与类别级姿态估计有关的论文。近些年来，借助于深度学习与神经网络在计算机视觉领域取得的重大突破，类别级姿态估计算法在各个公开基准数据集上不断刷新纪录并在工业界产生了许多落地产品。
2、尽管类别级姿态估计技术已经取得很大进步，在真实环境中还面临着许多挑战，如同类别中各实例目标的颜色和形状差异引起的类内变化、来自不同类别的物体实例之间的相似性导致的误识别问题以及具...
【技术保护点】
1.基于形状增强和位置嵌入编码的类别级目标姿态估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于形状增强和位置嵌入编码的类别级目标姿态估计方法，其特征在于，步骤S1具体包括以下步骤：
3.根据权利要求2所述的基于形状增强和位置嵌入编码的类别级目标姿态估计方法，其特征在于，当x轴为物体的对称轴时，选择x轴作为增强方向，y轴和z轴为非对称轴，变换函数定义为：
4.根据权利要求2所述的基于形状增强和位置嵌入编码的类别级目标姿态估计方法，其特征在于，当y轴为物体的对称轴时，选择y轴作为增强方向，x轴和z轴为非对称轴，变换函数
【技术特征摘要】
1.基于形状增强和位置嵌入编码的类别级目标姿态估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于形状增强和位置嵌入编码的类别级目标姿态估计方法，其特征在于，步骤s1具体包括以下步骤：
3.根据权利要求2所述的基于形状增强和位置嵌入编码的类别级目标姿态估计方法，其特征在于，当x轴为物体的对称轴时，选择x轴作为增强方向，y轴和z轴为非对称轴，变换函数定义为：
4.根据权利要求2所述的基于形状增强和位置嵌入编码的类别级目标姿态估计方法，其特征在于，当y轴为物体的对称轴时，选择y轴作为增强方向，x轴和z轴为非对称轴，变换函数定义为：
5.根据权利要求2所述的基于形状增强和位置嵌入编码的类别级目标姿态估计方法，其特征在于，当z轴为物体的对称轴时，选择z轴作为增强方向，x轴和y轴为非对称轴，变换函数定义为：
<...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。