3DNet: Large-scale object class recognition from CAD models
3DNet: Large-scale object class recognition from CAD models
复制标题
DOI：
10.1109/icra.2012.6225116
复制
发表时间：
2012-05
期刊：
影响因子：
--
通讯作者：
W. Wohlkinger;A. Aldoma;R. Rusu;M. Vincze
中科院分区：
文献类型：
--
作者：
W. Wohlkinger;A. Aldoma;R. Rusu;M. Vincze
随着低成本 RGB-D 传感器的出现，3D 物体和物体类别识别获得了发展动力，并实现了多年前无法实现的机器人任务。将对象类别识别扩展到数百个类别仍然需要大量时间和许多对象进行学习。为了克服训练问题，我们引入了一种从合成 CAD 模型中学习 3D 描述符的方法，并对从未见过的物体进行第一眼分类，其中分类率和速度适合机器人任务。我们在 3DNet (3d-net.org) 中提供了这一点，这是一个用于对象类识别和点云数据 6DOF 位姿估计的免费资源。 3DNet 提供了大规模分层 CAD 模型数据库，其类别数量和难度不断增加，包含 10、50、100 和 200 个对象类别，以及包含使用 RGB-D 传感器捕获的数千个场景的评估数据集。 3DNet 还提供了一个基于点云库 (PCL) 的开源框架，用于测试新的描述符和对最先进的描述符进行基准测试以及姿态估计程序，以实现搜索和抓取等机器人任务。
3D object and object class recognition gained momentum with the arrival of low-cost RGB-D sensors and enables robotics tasks not feasible years ago. Scaling object class recognition to hundreds of classes still requires extensive time and many objects for learning. To overcome the training issue, we introduce a methodology for learning 3D descriptors from synthetic CAD-models and classification of never-before-seen objects at the first glance, where classification rates and speed are suited for robotics tasks. We provide this in 3DNet (3d-net.org), a free resource for object class recognition and 6DOF pose estimation from point cloud data. 3DNet provides a large-scale hierarchical CAD-model databases with increasing numbers of classes and difficulty with 10, 50, 100 and 200 object classes together with evaluation datasets that contain thousands of scenes captured with a RGB-D sensor. 3DNet further provides an open-source framework based on the Point Cloud Library (PCL) for testing new descriptors and benchmarking of state-of-the-art descriptors together with pose estimation procedures to enable robotics tasks such as search and grasping.