18、杂乱场景中的 3D 对象分类方法解析

杂乱场景中的 3D 对象分类方法解析

在当今的科技领域，3D 对象分类在移动机器人抓取等应用中具有重要意义。下面将详细介绍相关的技术和方法。

1. 深度学习网络家族

深度学习网络主要可分为三大类：
1. 生成式网络 ：旨在识别可见数据的高级相关属性，以表征可见数据及其关联类别的联合统计分布，用于模式分析或/和合成目的。
2. 判别式网络 ：直接为模式分类产生判别能力，通常通过表征基于可见数据的类别的后验分布来实现。
3. 混合式网络 ：通过正则化或/和更好的优化，将生成式架构的输出与判别能力相结合。

2. 相关研究综述

众多对象分类方法基于外观特征、几何特征和从 3D 对象特定视点计算的视觉词袋（BoVWs）。以下是一些具体的研究成果：
| 研究人员 | 方法 |
| — | — |
| Toldo 等 | 从对象子部分提取几何特征，使用向量量化技术为每个网格生成 BoWs 直方图。 |
| Savarese 和 Fei - Fei | 利用 3D 几何形状和外观解决任意旋转和尺度变化问题，每个对象由一组包含许多局部不变特征的部分表征。 |
| Lai 等 | 利用 SIFT 描述符计算视觉特征，使用旋转图像描述符计算形状特征，计算高效匹配核（EKM），并使用随机森林（RF）、线性支持向量机（LiSVM）和高斯核支持向量机（kSVM）进行对象实例和类别分类。 |
| Bo 等 | 从深度图像、尺寸和 3D 形状中提取核描述符，使用匹配核描述像素属性，计算图