FastPoseCNN: Real-Time Monocular Category-Level Pose and Size Estimation Framework

本文的主要焦点是开发一个单张RGB图像实时估计未知物体姿态和尺寸的框架。在2019年，第一个类别级别的姿态和尺寸估计框架被提出，同时还提出了两个新的数据集CAMERA和REAL。然而，由于使用了计算昂贵的MaskedRCNN框架和Umeyama算法，当前的方法学存在推理时间长（2-4 fps）的限制，因此无法实际应用。为了优化我们的方法并实现实时结果，我们的框架使用高效的ResNet-FPN框架，并通过使用不同的解码器将平移、旋转和尺寸回归问题解耦。此外，我们的方法在全局上下文中执行姿态和尺寸估计，即一次性估计图像中所有捕获对象的相关参数。我们进行了大量测试，以全面比较精度和速度的表现，以展示我们方法的能力。

本文的主要问题是开发一个实时的框架，用于给定单个RGB图像的姿态和尺寸估计。之前的方法由于使用了计算昂贵的MaskedRCNN框架和Umeyama算法，因此推断时间较长，限制了实际应用。

为了优化方法并实现实时结果，本文使用高效的ResNet-FPN框架，并通过使用不同的解码器来分离平移、旋转和尺寸回归问题。此外，本文的方法在全局范围内执行姿态和尺寸估计，即一次性估计图像中所有捕获对象的相关参数。

本文的亮点包括使用高效的ResNet-FPN框架、分离平移、旋转和尺寸回归问题、在全局范围内执行姿态和尺寸估计，以及进行了大量测试以完全比较性能。本文使用了两个新的数据集CAMERA和REAL，并提供了开源代码。值得深入研究的工作包括如何进一步提高准确性和处理更复杂的场景。

最近的相关研究包括：1. "Deep Learning for Detecting Multiple Spacecraft in Planetary Images"；2. "Real-time 3D Object Detection and Tracking for Autonomous Driving"；3. "Mask R-CNN"。