基于深度学习的相机定位的3D场景几何感知约束
计算机视觉与模式识别
2020-05-14 v1
摘要
相机定位是自动驾驶车辆和移动机器人进行全局自我定位以进一步实现环境感知、路径规划和运动控制的基础且关键的组件。近年来，基于卷积神经网络的端到端方法被广泛研究，以实现甚至超越基于3D几何的传统方法。在本工作中，我们提出了一个用于绝对相机位姿回归的紧凑网络。受传统方法启发，通过利用包括运动、深度和图像内容在内的所有可用信息，还引入了3D场景几何感知约束。我们通过定义像素级光度损失和图像级结构相似性损失，将此约束作为正则化项添加到我们提出的网络中。为了对我们的方法进行基准测试，我们使用提出的方法和现有最优方法测试了包括室内和室外环境在内的不同挑战性场景。实验结果表明，我们的方法在预测精度和收敛效率上均有显著提升。
引用
@article{arxiv.2005.06147,
title = {3D Scene Geometry-Aware Constraint for Camera Localization with Deep Learning},
author = {Mi Tian and Qiong Nie and Hao Shen},
journal= {arXiv preprint arXiv:2005.06147},
year = {2020}
}
备注
Accepted for ICRA 2020