Teaser++
This commit is contained in:
parent
bcb26310f7
commit
9600a55408
@ -23,7 +23,7 @@
|
||||
|
||||
@misc{bot,
|
||||
TITLE = {Bayesian Object Tracking},
|
||||
AUTHOR = {J. Issac, M. Wüthrich, and C. Pfreundt},
|
||||
AUTHOR = {J. Issac, M. Wüthrich and C. Pfreundt},
|
||||
YEAR = {2014},
|
||||
HOWPUBLISHED = {Website},
|
||||
URL = {https://github.com/bayesian-object-tracking}
|
||||
@ -67,6 +67,13 @@
|
||||
NOTE = {Aufgerufen 27.10.2021}
|
||||
}
|
||||
|
||||
@online{cvx,
|
||||
TITLE = {CVX: Matlab software for disciplined convex programming},
|
||||
AUTHOR = {M. Grant and S. Boyd},
|
||||
HOWPUBLISHED = {Website},
|
||||
URL = {http://cvxr.com/cvx}
|
||||
}
|
||||
|
||||
@misc{Davis,
|
||||
TITLE = {The 2017 davis challenge on video object segmentation},
|
||||
AUTHOR = {J. Pont-Tuset and et al.},
|
||||
@ -107,6 +114,24 @@
|
||||
NOTE = {Aufgerufen 16.10.2021}
|
||||
}
|
||||
|
||||
@misc{fgr,
|
||||
TITLE = {Fast global registration},
|
||||
AUTHOR = {Q. Zhou, J. Park and V. Koltun},
|
||||
YEAR = {2016},
|
||||
PUBLISHER = {Springer},
|
||||
JOURNAL = {European Conf. on Computer Vision (ECCV)},
|
||||
PAGES = {766–782}
|
||||
}
|
||||
|
||||
@misc{fpfh,
|
||||
TITLE = {Fast point feature histograms (fpfh) for 3d registration},
|
||||
AUTHOR = {R. Rusu, N. Blodow and M. Beetz},
|
||||
YEAR = {2009},
|
||||
PUBLISHER = {Citeseer},
|
||||
JOURNAL = {IEEE Intl. Conf. on Robotics and Automation (ICRA)},
|
||||
PAGES = {3212–3217}
|
||||
}
|
||||
|
||||
@article{GaussianFilter,
|
||||
TITLE = {Depth-based object tracking using a Robust Gaussian Filter},
|
||||
URL = {dx.doi.org/10.1109/ICRA.2016.7487184},
|
||||
@ -119,9 +144,19 @@
|
||||
NOTE = {Aufgerufen 27.10.2021}
|
||||
}
|
||||
|
||||
@misc{gore,
|
||||
TITLE = {Guaranteed outlier removal for point cloud registration with correspondences},
|
||||
AUTHOR = {Á. Parra Bustos and T. J. Chin},
|
||||
YEAR = {2018},
|
||||
VOLUME = {40},
|
||||
NUMBER = {12},
|
||||
JOURNAL = {IEEE Trans. Pattern Anal. Machine Intell.},
|
||||
PAGES = {2868–2882}
|
||||
}
|
||||
|
||||
@misc{ICP,
|
||||
TITLE = {Open3d: A modern library for 3d data processing},
|
||||
AUTHOR = {Q.-Y. Zhou, J. Park, and V. Koltun},
|
||||
AUTHOR = {Q.-Y. Zhou, J. Park and V. Koltun},
|
||||
YEAR = {2018},
|
||||
EPRINT = {1801.09847},
|
||||
ARCHIVEPREFIX = {arXiv},
|
||||
@ -149,6 +184,15 @@
|
||||
NOTE = {Aufgerufen 27.10.2021}
|
||||
}
|
||||
|
||||
@misc{Mosek,
|
||||
TITLE = {Listing all maximal cliques in sparse graphs in near-optimal time},
|
||||
AUTHOR = {D. Eppstein, M. Löffler and D. Strash},
|
||||
YEAR = {2010},
|
||||
JOURNAL = {in International Symposium on Algorithms and Computation},
|
||||
PUBLISHER = {Springer},
|
||||
PAGES = {403–414}
|
||||
}
|
||||
|
||||
@misc{NormalizedObjectCoordiante,
|
||||
TITLE = {Normalized Object Coordinate Space for Category-Level 6D Object Pose and Size Estimation},
|
||||
AUTHOR = {He Wang and Srinath Sridhar and Jingwei Huang and Julien Valentin and Shuran Song and Leonidas J. Guibas},
|
||||
@ -180,9 +224,17 @@
|
||||
URL = {arxiv.org/abs/2007.13866}
|
||||
}
|
||||
|
||||
@misc{StanfordScanning,
|
||||
TITLE = {A volumetric method for building complex models from range images},
|
||||
AUTHOR = {B. Curless and M. Levoy},
|
||||
YEAR = {1996},
|
||||
PUBLISHER = {SIGGRAPH},
|
||||
PAGES = {303–312}
|
||||
}
|
||||
|
||||
@misc{Teaser++,
|
||||
TITLE = {TEASER: Fast and Certifiable Point Cloud Registration},
|
||||
AUTHOR = {H. Yang, J. Shi, and L. Carlone},
|
||||
AUTHOR = {H. Yang, J. Shi and L. Carlone},
|
||||
YEAR = {2020},
|
||||
EPRINT = {2001.07715},
|
||||
ARCHIVEPREFIX = {arXiv},
|
||||
|
||||
BIN
Proseminar.pdf
BIN
Proseminar.pdf
Binary file not shown.
@ -98,6 +98,10 @@
|
||||
name={YCB-Video},
|
||||
description={80 Videos zum Training mit 2.949 Schlüsselbildern, die aus den restlichen 12 Testvideos extrahiert wurden.}
|
||||
}
|
||||
\newglossaryentry{stanford}{
|
||||
name={Stanford 3D Scanning Repository},
|
||||
description={vier Datensätze Hase, Armadillo, Drache und Buddha als Punktwolke\cite{StanfordScanning}}
|
||||
}
|
||||
\newglossaryentry{bot}{
|
||||
name={Bayesian Object Tracking},
|
||||
description={37 aufgezeichnete Sequenzen von Tiefenbildern. Jede Sequenz ist ca. zwei Minuten lang und zeigt eines von sechs Objekten mit und ohne Teilverdeckung, die mit unterschiedlichen Geschwindigkeiten bewegt werden. Um die Verfolgungsleistung bei verschiedenen Geschwindigkeiten zu bewerten, enthält der Datensatz Sequenzen mit drei Geschwindigkeitskategorien. Der Abstand zwischen Kamera und Objekt liegt zwischen 0,8 m und 1,1 m. \cite{bot}}
|
||||
@ -324,7 +328,6 @@
|
||||
\item[Laufzeit]
|
||||
\end{description*}
|
||||
|
||||
|
||||
\subsection{Robust Gaussian Filter}
|
||||
Modellbasierte 3D-Verfolgung von Objekten bei dichten Tiefenbildern als Eingabe mithilfe Robuster Gauss Filter\cite{GaussianFilter}.
|
||||
Zwei Schwierigkeiten schließen die Anwendung eines Standard-Gauß-Filters auf dieses Problem aus. Tiefensensoren sind von Messrauschen gekennzeichnet und werden durch eine Robustifizierungsmethode für Gaußfilter behoben. Dadurch wird eine heuristische Ausreißer-Erkennungsmethode verwendet, die einfache Messungen ablehnt, wenn sie nicht mit dem Modell übereinstimmen.
|
||||
@ -347,6 +350,36 @@
|
||||
\item[Laufzeit] 30Hz
|
||||
\end{description*}
|
||||
|
||||
\subsection{Teaser}
|
||||
Teaser\cite{Teaser++} ist ein Algorithmus für die Registrierung von zwei 3D-Punktesätzen bei Vorhandensein einer großen Anzahl von Ausreißerkorrespondenzen.
|
||||
Zunächst wird ein neues Registrierungsproblem formuliert, indem die Kosten der abgeschnittenen kleinsten Quadrate (TLS) verwendet werden, die die Schätzung unempfindlich gegenüber einem großen Anteil von falschen Korrespondenzen macht.
|
||||
Anschließend entkoppelt ein allgemeiner graphentheoretischer Rahmen Skalen-, Rotations- und Translationsschätzungen, der eine Kaskade für die drei Transformationen lösen. Während jedes Teilproblem (Skalen-, Rotations- und Translationsabschätzung) nicht-konvex und kombinatorisch ist,
|
||||
(i) kann die TLS-Skalierung und Translationsschätzung in polynomialer Zeit über ein adaptives Abstimmungsverfahren gelöst werden,
|
||||
(ii) die TLS-Rotationsschätzung kann zu einem semidefiniten Programm umgewandelt werden und ist selbst bei extremen Ausreißerquoten robust, und
|
||||
(iii) der graphentheoretische Rahmen ermöglicht eine drastische Reduzierung von Ausreißern durch die Suche nach der maximalen Clique.
|
||||
Der Algorithmus wird TEASER (Truncated least squares Estimation And SEmidefinite Relaxation) genannt.
|
||||
|
||||
TEASER ist in MATLAB implementiert, verwendet cvx\cite{cvx}, um die konvexe Relaxation zu lösen, und nutzt den Algorithmus \cite{Mosek}, um die maximalen Kluster im beschnittenen TIM-Graphen zu finden. TEASER++ ist die schnelle implementierung des TEASER Algorithmus in C++. TEASER++ folgt dem gleichen entkoppelten Ansatz, die einzige Ausnahme ist, dass die abgestufte Nicht-Konvexität verwendet wird, um das Rotations-Teilproblem zu lösen und das Douglas- Rachford-Splitting genutzt wird, um die globale Optimalität effizient zu zertifizieren.
|
||||
|
||||
Der Algorithmus wurde mit zwei state-of-the-art Techniken GORE\cite{gore} und FGR\cite{fgr} verglichen.
|
||||
|
||||
\begin{description*}
|
||||
\item[Modell] ohne
|
||||
\item[Video-Input] RGB-D
|
||||
\item[Datensatz] \Gls{stanford}
|
||||
\item[Genauigkeit]
|
||||
\begin{itemize*}
|
||||
\item Korrekte Registierung $91,69$ [\%]
|
||||
\item Rotationsfehler $0,066$ [Grad]
|
||||
\item Translationsfehler $0,069$ [m]
|
||||
\item Anzahl an FPFH\cite{fpfh} Korrespondenzen $525$
|
||||
\item FPFH Ausreißerquote $6,53$ [\%]
|
||||
\end{itemize*}
|
||||
\item[Ressourcen] Alle Tests wurden auf einem Laptop mit einer i7-8850H CPU und 32GB RAM durchgeführt
|
||||
\item[Laufzeit] durchschnittlich $0,059$[s]
|
||||
\end{description*}
|
||||
|
||||
|
||||
\section{Fazit}
|
||||
|
||||
\end{multicols*}
|
||||
@ -357,14 +390,14 @@ Vergleich der unterschiedlichen Methoden unterscheidbar nach \colorbox{Mahogany}
|
||||
\centering
|
||||
\begin{tabular}{p{1.5cm}|l|l|l|l}
|
||||
benötigen & ? & Farbbild & Tiefenbild & 3D Pointcloud \\\hline
|
||||
\multirow{3}{1.5cm}{3D Modell} & RGF\cite{GaussianFilter} & Contour Matching & & Robust Gaussian Filter\cite{GaussianFilter} \\
|
||||
\multirow{3}{1.5cm}{3D Modell} & & Contour Matching & & Robust Gaussian Filter\cite{GaussianFilter} \\
|
||||
& dbotPF\cite{dbotPF} & DeepIM\cite{Deepim} & & \\
|
||||
& se-TrackNet\cite{se-TrackNet} & & & \\\hline
|
||||
\multirow{3}{1.5cm}{Kategorie Modell} & NOCS\cite{NormalizedObjectCoordiante} & Feature Matching & & \\
|
||||
& KeypointNet\cite{KeypointNet} & & 6-PACK\cite{6pack} & \\
|
||||
& & & & \\\hline
|
||||
\multirow{3}{1.5cm}{ohne Modell} & ICP\cite{ICP} & Iterative Closest Point & MaskFusion\cite{MaskFusion} & \\
|
||||
& TEASER++\cite{Teaser++} & Analyse-durch-Synthese \cite{CategoryLevelObject} & Analyse-durch-Synthese \cite{CategoryLevelObject} & \\
|
||||
& & Analyse-durch-Synthese \cite{CategoryLevelObject} & Analyse-durch-Synthese \cite{CategoryLevelObject} & TEASER++\cite{Teaser++} \\
|
||||
& & & BundleTrack\cite{BundleTrack} & \\
|
||||
& & PoseCNN\cite{PoseCNN} & PoseCNN\cite{PoseCNN}+ICP\cite{ICP} & \\
|
||||
\end{tabular}
|
||||
|
||||
Loading…
Reference in New Issue
Block a user