@ICRA 2015
背景介紹
Affordence 解釋：Affordence
本文提出從定位和幾何原語提出兩種方法學習Affordence：基于高像素的層次比對（S-HMP）和結構化随機森林（SRF）。
S-HMP
深度特征：首先應用平滑和插值算子來減少噪聲和失去的深度值。然後，從塊中減去平均值獲得深度絕對變化的魯幫性。這些塊直接用HMP學習層次稀疏編碼字典。第一層，HMP捕捉原始結構像變化方向的深度邊緣，更高層編碼越來越抽象的表示。
曲面法線：使用深度相機的内參從估計的3D曲面法線恢複3D點雲。
主曲率：主曲率是局部塊幾何的外在不變量，與視點無關。主曲率（ k 1 , k 2 k_{1},k_{2} k1,k2） k 1 > k 2 k_{1}>k_{2} k1>k2描述曲面如何在不同的方向彎曲。
形狀指數和曲率（SI+CV）：
S I = − 2 π a r c t a n ( k 1 + k 2 k 1 − k 2 ) , C V = k 1 2 + k 1 2 2 SI=-\frac{2 }{\pi}arctan(\frac{k_{1}+k_{2}}{k_{1}-k_{2}}),CV=\sqrt{\frac{k_{1}^{2}+k_{1}^{2}}{2}} SI=−π2arctan(k1−k2k1+k2),CV=2k12+k12
給一張RGB-D圖，使用SLIC算法合并深度和曲面法線資訊将RGB-D圖像中的物體分割成表面小碎片。使用多特征分割是必要的。對于每個高像素，使用HMP從每個不同的幾何衡量計算層次稀疏編碼HMP。
SRF
随機森林是內建學習的方法組合 K K K個決策樹，可以進行分類或者回歸。這篇論文工作，在輸入和輸出中對标準的随機森林加入結構化限制：
G j = H ( D j − ∑ c ϵ L , R ∣ D j c ∣ ∣ D j ∣ H ( D j c ) G_{j}=H(D_{j}-\underset{c\epsilon{L,R}}{\sum}\frac{\left | D_{j}^{c} \right | }{\left | D_{j} \right|}H(D_{j}^{c}) Gj=H(Dj−cϵL,R∑∣Dj∣∣Djc∣H(Djc)
結果