为什么目前落地的主流SLAM技术很少用神经网络进行特征提取？-优快云博客

编辑 | 计算机视觉life

点击下方卡片，关注“自动驾驶之心”公众号

ADAS巨卷干货，即可获取

https://www.zhihu.com/question/419264201/answer/3086816142

SLAM目前在各领域都已经有很多的应用，但为什么大部分已经落地的都用的还是最传统的方法，比如目前最主流的ORB-SLAM，即使到ORB3也依旧用的是传统的FAST和BRIEF方法来检测和提取特征点，而不用CV领域里早已经普遍的神经网络如VGG等来提取特征点。

当然最新的很多语义SLAM论文里都已经用到了如GCN等神经网络提取特征，但为什么目前落地和应用的大部分还用的是传统的方法？提取速度和所需算力应该不会有太大差异才是？

作者：刘斯坦

这是个商业问题哈，格局要打开:

如果硬件平台上没有GPU->卒

如果硬件平台上有GPU-硬件肯定很贵->肯定是为了实现一些语义感知功能才会选贵的硬件->和依赖于GPU的目标识别/语义分割/人体姿态识别/balabala项目组争夺GPU资源->卒

作者：心态炸裂男孩

首先slam是一个偏工程化的应用技术。因此算力成本是一个非常重要的因素。传统的特征提取速度快，算力成本低，可以在cpu运行。如果利用深度学习特征提取，算力包括gpu，深度学习特征带来的额外CPU和内存成本。问题是传统方法特征提取已经能满足大部分场景了。

深度学习提取的特征就一定好？显然不是的。因为数据集的原因，利用深度学习训练出的特征子适用性并不一定好。貌似网上有一篇论文，利用orbslam框架，对比了orb和superpoint的效果。发现有几组superpoint效果确实好，但是有几个序列视频利用superpoint的slam直接track lost.这就表现的不好了。

因此在大多数场景下，传统特征可以解决。利用深度学习特征就显得画蛇添足了，没有必要。当然在某些场景利用传统特征就不可行。如光照变化剧烈，相机运动剧烈等场景。在long term slam这个话题下，深度学习特征效果明显

slam方法不仅仅是为了定位，个人觉得slam终极目的是复用地图。显然长时间定位这块大部分人的目光都是投入到深度学习特征上，去superpoints.r2d2特征。毕竟长时间定位会有时间，天气，光照，动态物体变化，传统方法根本就不能解决。而深度学习特征却可以保证长时间定位的准确度。

所以个人看法，虽然深度学习特征虽然用的不多。但未来基于深度学习特征slam会越来越多。

作者：余世杰

其他答主都说了好多了，算力问题以及提升率啥的。

我个人是觉得还有个原因是，特征匹配在视觉SLAM中的重要性没有到夸张的地步，在传统算法情况下，有一定的错误匹配也能得到较好的结果，前端重要的同时，后端更加重要。

那么多SLAM算法，前端都大同小异，而且帧之间的位姿变换好多都是先用匀速模型做初始值，去适配优化，实在不行再进行特征点的匹配求位姿。真正区别还是关键帧的处理，强调运动的整体性，而不是两张图之间单纯的匹配精度。

这是我个人的观点，有不对的还请大佬指正。

--以上来自2020年9月，回过头2023年5月自己使用测试过之后发现，目前的特征提取依赖性并不强，传统的也能做得比较好，反而神经网络的提取稳定性和重复性可能不够强。

但是对描述子的计算和匹配上，还是有一定参考性，更实用，感兴趣的朋友可以自己也测试看看

① 全网独家视频课程

BEV感知、毫米波雷达视觉融合、多传感器标定、多传感器融合、3D目标检测、目标跟踪、Occupancy、cuda与TensorRT模型部署、协同感知、语义分割、自动驾驶仿真、传感器部署、决策规划、轨迹预测等多个方向学习视频（扫码免费学习）

视频官网：www.zdjszx.com

② 国内首个自动驾驶学习社区

近2000人的交流社区，涉及30+自动驾驶技术栈学习路线，想要了解更多自动驾驶感知（2D检测、分割、2D/3D车道线、BEV感知、3D目标检测、Occupancy、多传感器融合、多传感器标定、目标跟踪、光流估计）、自动驾驶定位建图（SLAM、高精地图、局部在线地图）、自动驾驶规划控制/轨迹预测等领域技术方案、AI模型部署落地实战、行业动态、岗位发布，欢迎扫描下方二维码，加入自动驾驶之心知识星球，这是一个真正有干货的地方，与领域大佬交流入门、学习、工作、跳槽上的各类难题，日常分享论文+代码+视频，期待交流！

③【自动驾驶之心】技术交流群

自动驾驶之心是首个自动驾驶开发者社区，聚焦目标检测、语义分割、全景分割、实例分割、关键点检测、车道线、目标跟踪、3D目标检测、BEV感知、Occupancy、多传感器融合、大模型、SLAM、光流估计、深度估计、轨迹预测、高精地图、NeRF、规划控制、模型部署落地、自动驾驶仿真测试、产品经理、硬件配置、AI求职交流等方向。扫码添加汽车人助理微信邀请入群，备注：学校/公司+方向+昵称（快速入群方式）