89、颜色、深度和位置的神经网络融合

颜色、深度和位置的神经网络融合

相关工作

传统上，分割和识别步骤被认为是必不可少的，但无分割识别方法也被证明是可行且计算高效的，不过在机器人领域，由于识别问题中对象实例数量众多，这种方法并不直接适用。下面简要回顾一些相关工作。

分割

点云分割是一个正在研究的领域，受3D传感技术的最新进展推动。相关方法大致按照对物体形状假设的强度排序，从基于模型的方法到无模型的方法。
- 基于模型的技术 ：在图像中找到原型形状并拟合几何模型以估计其精确姿态。例如，通过拟合圆柱和平面等几何模型来找到物体形状，找到并拟合正确的形状模型后可填充缺失数据，最终物体模型是混合形状和表面描述。
- 基于点法线分析的方法 ：通过分析点法线对高度杂乱的场景进行分割。先对原始深度图像进行空间和时间滤波并计算点法线，通过阈值化相邻点法线方向差异将场景过度分割成平滑曲面，再基于几何考虑合并这些片段。该方法无模型，但适用于由简单盒子或圆柱形状物体组成的场景。
- 使用多模态数据的方法 ：结合图像和距离数据形成片段和子片段的层次结构，根据各种“结构性”度量对这些片段进行评级，以保留最佳物体候选。
- 基于能量的语义分割方法 ：使用马尔可夫随机场，依赖于外观和标签上的平滑性弱假设，比几何方法更通用，但在室内场景中，其精确召回率不如精心调整的几何方法。
- 基于Kintinuous地图差异的方法 ：计算给定场景的两个Kintinuous地图之间的差异，考虑场景拍摄时的视角，可获得物体的3