DeepVO论文笔记

本文探讨了深度学习应用于视觉里程计的方法,通过CNN提取高阶特征,实现单目摄像头的轨迹估计,挑战传统检测-跟踪的VO方法。实验表明,网络对环境的先验知识对其性能有显著影响,预训练网络并不一定能提升里程计的准确性。未来研究方向包括结合RNN和生成网络,以及利用跟踪特征点作为先验信息。
摘要
    深度学习还没有进入到自动导航领域,比如VO(visual odometry 视觉里程计)、SfM(structure from motion运动结构)、SLAM(simultaneous localization and mapping实时定位制图)。 本文提出了一种单目视觉里程计的深度学习方法,取代了以前的检测-跟踪的方法。


介绍
    在机器人导航领域,里程计被定义为利用不同的动作传感器得来的混合数据实时预测机器人的动作。  这对于机器人的路程规划与控制很重要。  传统的IMU/GPS。
    标准视觉里程计的方法一般有如下步骤:
    1》两个事件的图像获得
    2》图像去畸变
    3》两个图像特征提取SURF,ORB,FAST等
    4》两张图像特征跟踪获取光流
    5》跟踪光流和相机参数估计动作

本文的贡献:
    1》使用深度学习进行视觉里程计,使用CNN获取高阶特征,估计两张连续场景间的转换重建汽车轨迹
    2》使用单目摄像机进行估计,这说明只使用了几何方法。


相关工作
A视觉里程计
    传统的方法有基于特征的和基于外观的(直接法),前者依赖于检测和跟踪一组图
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值