Category-Agnostic Pose Estimation for Point Clouds

目标姿态估计的目标是通过视觉确定RGB-D输入中特定物体的姿态。不幸的是，当面对新的类别时，基于实例和基于类别的方法都无法处理未见过类别的未见过物体，这对姿态估计是一个挑战。为了解决这个问题，本文提出了一种方法，引入几何特征来估计点云的姿态，而不需要类别信息。该方法仅基于点云的补丁特征，这是一种具有旋转不变性的几何特征。在没有类别信息的情况下进行训练后，我们的方法实现了与其他基于类别的方法相同的良好结果。我们的方法成功地在CAMERA25数据集和ModelNet40数据集上实现了没有类别信息实例的姿态注释。

本论文的问题是如何在没有类别信息的情况下，通过几何特征来解决点云姿态估计的问题。

本论文的关键思路是使用点云的patch特征来进行姿态估计，该特征具有旋转不变性。相比当前领域的研究，该论文的思路是使用无监督的方式进行姿态估计，不需要类别信息。

本论文的实验使用了CAMERA25和ModelNet40数据集，并且成功地进行了无类别信息实例的姿态注释。该方法在没有类别信息的情况下，能够达到与其他基于类别的方法相当的结果。

在这个领域中，最近的相关研究包括：“Unsupervised Learning of Intrinsic Structural Representation Points”和“RotationNet: Joint Object Categorization and Pose Estimation Using Multiviews from Unsupervised Viewpoints”等。