66、无监督姿态感知部件分解方法研究

无监督姿态感知部件分解方法研究

1 无监督部件分解原理

目标形状的变化不能仅由单个部件及其姿态来表达。因此，作为无监督部件分解的归纳偏置，模型倾向于使用多个部件的组合来表达因各种局部部件姿态导致的形状变化。其学习过程如下：
1. 学习静态部件 ：模型首先在任何实例中空间占用概率高的静态部件的空间位置学习高指示值。
2. 生成动态部件 ：为适应各种目标形状的部件姿态，诱导进行部件分解，生成多个动态部件。
3. 超过阈值 ：不同部件姿态位移较小的空间位置（例如旋转部件的枢轴点附近）的指示值首先超过等值面阈值。
4. 同时优化 ：在训练过程中，模型同时优化部件姿态估计和形状重建，采用分析合成方法。

2 训练损失

2.1 形状损失

为学习形状解码器，使用标准二元交叉熵损失（BCE）最小化重建损失，定义如下：
[
L_{reconstruction} = \lambda_{reconstruction}BCE(\hat{O}, O) + \lambda_{c_{reconstruction}}BCE(\hat{O} c, O)
]
其中，(\hat{O}_c(x | B) = \max_i{\hat{O} {c_i}(B^{-1} i x)})，(\lambda {reconstruction}) 和 (\lambda_{c_{reconstruction}}) 是损失权重。第二项对于稳定训