基于注意力增强的跨模态多层融合网络的物体位姿估计

杨恒,王韶涵,董青,赵科渊,杨明亮

Object pose estimation based on attention enhancement cross-modal multilayer fusion network

Heng YANG,Shaohan WANG,Qing DONG,Keyuan ZHAO,Mingliang YANG

表 1 linenmod数据集上ADD(-S)分数的定量评估

Tab.1 Quantitative assessment of ADD(-S) score on linenmod dataset

方法 输入数据 ADD(-S)分数/% Ape Ben Camera Can Cat Driller Duck Eggbox Glue Hole Iron Lamp Phone 平均值 BB8[19] RGB 40.2 91.7 55.8 63.7 62.9 73.7 44.3 58.1 41.0 67.2 84.7 76.9 54.0 62.3 PVNet[21] 43.6 99.9 86.9 95.5 79.3 96.4 52.6 99.2 95.7 81.9 98.9 99.3 92.4 86.3 DeepIM[28] 77.2 97.8 93.7 96.8 82.0 95.0 77.8 97.1 99.3 52.8 98.3 98.0 87.9 89.0 TexPose[36] 80.9 99.0 94.8 99.7 92.6 97.4 83.4 94.9 93.4 79.3 99.8 98.3 78.9 91.7 SSD-6D+ICP[20] RGB-D 65.0 80.0 78.0 86.0 70.0 73.0 66.0 100 100 49.0 78.0 73.0 79.0 76.7 CFFM+CWTM[23] 88.2 91.5 93.4 93.8 94.4 91.6 89.4 97.3 99.1 89.3 95.7 94.2 93.7 93.2 Per-pixel Densefusion[13] 79.8 84.1 76.7 86.8 88.9 77.8 76.2 100 99.0 79.0 92.1 92.0 88.0 86.1 Iterative-Densefusion[13] 92.1 93.2 94.3 93.1 96.5 87.0 92.0 100 100 92.1 97.0 95.1 92.8 94.3 本文方法（仅使用多尺度模块） 93.8 89.6 90.5 90.2 91.1 90.3 89.5 100 100 84.7 93.1 91.5 89.0 89.4 本文方法（仅使用注意力增强模块） 89.3 90.1 89.7 89.2 90.2 89.8 88.7 100 98.4 89.3 90.2 89.7 90.0 89.0 本文方法 95.4 93.1 95.9 93.2 95.0 94.2 90.3 100 100 92.2 96.5 95.1 94.8 95.2