CALC2.0：结合外观、语义与几何信息实现鲁棒高效的视觉回环检测
机器人学
2019-11-01 v1
摘要
传统的回环检测尝试通常使用手工设计特征，仅依赖几何和视觉信息，而更现代的方法倾向于使用从深度卷积神经网络 (CNNs) 提取的语义、外观或几何特征。尽管这些方法在许多应用中取得成功，但它们未利用单目图像提供的所有信息，且其中许多方法（尤其是基于深度学习的方法）需要用户选择阈值来实际闭合回环——这可能影响实际应用中的通用性。在这项工作中，我们通过从专为地点识别任务训练的定制深度 CNN 中提取所有三种模式的信息来解决这些问题。我们的网络构建于语义分割器、变分自编码器 (VAE) 和三元组嵌入网络的组合之上。该网络被训练来构建全局特征空间以描述图像的外观和语义布局。然后从低层卷积特征图中最大激活区域提取局部关键点，并以结合成功手工设计特征思想的新方式从这些特征图中提取关键点描述子。这些关键点在全局上匹配以得到回环候选，然后用作最终几何检验以排除假阳性。因此，所提出的回环检测系统无需繁琐的阈值设定，且对假阳性高度鲁棒——取得了优于最先进的 NetVLAD 的精度-召回曲线，并具备实时速度。
引用
@article{arxiv.1910.14103,
title = {CALC2.0: Combining Appearance, Semantic and Geometric Information for Robust and Efficient Visual Loop Closure},
author = {Nathaniel Merrill and Guoquan Huang},
journal= {arXiv preprint arXiv:1910.14103},
year = {2019}
}
备注
Appears in IROS 2019