应用隐类霍夫森林：Latent-Class Hough Forests for 3D Object Detection and Pose Estimation（笔记）——2014

应用隐类霍夫森林进行3D目标检测和姿态估计（笔记）——2014

Latent-Class Hough Forests for 3D Object Detection and Pose Estimation

摘要

1. 文章提出隐类霍夫森林框架，在高杂波和遮挡环境中进行3D目标检测和姿态估计。
2. 将LINEMOD法引入一个尺度不变的patch描述符中，并使用一个新的基于模板的分割函数将其集成到回归森林中。
3. 在训练中，我们的方法仅对正样本进行训练，而不是显式地收集有代表性的负样本，并将叶节点上的类分布作为隐变量。
4. 在推理过程中，我们迭代地更新这些分布，提供了对背景杂波和前景遮挡的准确估计，从而提高了检测率。
5. 此外，作为副产品，隐类分布可以提供精确的遮挡感知分割掩码，即使在多实例场景中也是如此。
6. 我们还收集了一个新的更具挑战性的数据集，用于包含大量2D和3D杂波以及前景遮挡的多实例检测。

引言

7. 精确定位和姿态估计面临挑战：由相机的自由移动以及目标的部分遮挡，所引起严重的2D和3D杂波、大范围、姿态改变。
8. 通过将多个局部区域的投票聚类成相互一致的假设来消除检测歧义（一致投票聚类，消除歧义），提升对抗前景遮挡的稳健性。
9. 此外，通过一种辨识学习模型，将前景区域和背景杂波分开，还降低了误判率。

3D特征、点对特征、全局模板这些从模型提取的特征与场景进行匹配的方法，只考虑部分遮挡和单图单实例假设，也不知道背景分布。提出隐类霍夫森林