L'estimation de pose 6D conciliant précision et applicabilité a toujours été un sujet de recherche crucial et complexe. Cet article propose un réseau d'estimation de pose 6D basé sur la fusion des caractéristiques attentionnelles multi-modales. Tout d'abord, une structure plus profonde de module de squeeze-and-excitation est introduite, renforçant la dépendance et élargissant le champ réceptif en ajustant les poids des canaux, améliorant ainsi le traitement des caractéristiques d'images RGB. De plus, pour les données multi-modales, un module itératif de fusion des caractéristiques attentionnelles est déployé lors de la phase de fusion des caractéristiques, résolvant par des opérations itératives les problèmes d’incohérence d’échelle dans la fusion globale des caractéristiques, ce qui permet une capture et une intégration plus précises des données multi-modales et améliore significativement la régression de la pose. Enfin, pour évaluer quantitativement la robustesse et l'applicabilité du modèle dans des environnements complexes, un indicateur de pourcentage invisible est introduit, permettant d'évaluer la performance du modèle face aux occultations partielles ou aux arrière-plans complexes. Les expériences de prédiction de pose sur des ensembles de données publiques ont démontré que le modèle amélioré permet non seulement des prédictions précises sur le jeu de validation, mais montre également une meilleure applicabilité en environnement complexe par rapport au modèle Densefusion.

Estimation de pose 6D; données multi-modales; fusion de caractéristiques attentionnelles; pourcentage invisible