超越跟踪：为深度视觉里程计选择记忆与精炼位姿
计算机视觉与模式识别
2019-04-08 v2
摘要
以往大多数基于学习的视觉里程计（VO）方法将 VO 视为纯跟踪问题。相反，我们提出一个包含称为记忆与精炼的两个额外组件的 VO 框架。记忆组件通过采用自适应高效的选择策略保留全局信息。精炼组件利用记忆中存储的上下文，通过采用时空注意力机制进行特征提取以改善先前结果。在 KITTI 和 TUM-RGBD 基准数据集上的实验表明，我们的方法大幅优于最先进的基于学习的方法，并相对于经典单目 VO 方法产生有竞争力的结果。尤其在无纹理区域和突变运动等经典 VO 算法易失败的挑战性场景中，我们的模型取得了出色性能。
引用
@article{arxiv.1904.01892,
title = {Beyond Tracking: Selecting Memory and Refining Poses for Deep Visual Odometry},
author = {Fei Xue and Xin Wang and Shunkai Li and Qiuyuan Wang and Junqiu Wang and Hongbin Zha},
journal= {arXiv preprint arXiv:1904.01892},
year = {2019}
}
备注
Accepted to CVPR2019 (oral presentation)