摘要
لحل مشكلة قلة قدرة التوسع وانخفاض العمومية وارتفاع تكلفة الحساب في الطرق التقليدية التي تعتمد على نموذج CNN لكائن واحد ، وتحسين أداء الطرق المتعددة الأهداف، نقدم في هذه الورقة هيكل شبكة مرحلة واحدة موجهة نحو تقدير مواضع 6D لأهداف متعددة، وتصميم جهاز استخراج وفك تشعبي متعدد الفروع ، والذي يلتقط ويجمع بشكل فعال الملامح التفصيلية. نقترح أيضًا وحدة تحسين واختيار الملامح، تقوم هذه الوحدة بتحديد الملامح الداخلية لاستخراج ملامح متعددة المقاسات. باجتماع الاثنين معًا ، صممنا بنية هرم الميزات الجديدة لتحسين أداء الشبكة بشكل عام وتحسين تقدير المواقف في حالات الحجب. تم إجراء التجارب على مجموعة البيانات الاصطناعية LINEMOD و Occluded LINEMOD. تظهر النتائج أن الطريقة المقترحة في هذه الورقة حققت تحسنًا ملحوظًا في معالجة سيناريوهات كائنات الحجب. بالمقارنة مع الطرق المتقدمة الموجودة مثل PyraPose و SD-Pose و CASAPose ، زادت الطريقة المقترحة في هذه الورقة بنسبة 43.1٪ و 16.1٪ و 12٪ على التوالي في مؤشر ADD / S-Recall. تظهر أداءً أفضل عند عدد الأهداف قليل ، عند عدد الأهداف يكون 4 ، زاد الأداء بنسبة 17٪. تحقق التجربة الجزئية فعالية الوحدات المختلفة. تقدم هذه الورقة هيكل الشبكة متعددة الأهداف لمرحلة واحدة من خلال إدخال جهاز استخراج وفك تشعبي متعدد الفروع ووحدة تحسين واختيار الملامح وهرم الملامح. يمكن لشبكة واحدة فقط أن تتعامل مع أي عدد من الأهداف ، وتقدم تقديرًا أفضل لمواضع 6D في ظروف البيانات الاصطناعية. تحققت النتائج التجريبية من فعالية الطريقة المقترحة في هذه الورقة.
关键词
التقدير 6D للمواضع؛ شبكة مرحلة واحدة لأهداف متعددة؛ جهاز استخراج وفك ملامح متعدد الفروع؛ اختيار الملامح؛ بيانات اصطناعية