利用卷积神经网络计算成对相对位姿的相机重定位
计算机视觉与模式识别
2017-08-02 v2
摘要
我们提出一种基于深度学习的相机重定位新方法。该方法通过卷积神经网络 (CNN) 首先检索相似的数据库图像，然后预测查询图像与已知位姿的数据库图像之间的相对位姿，从而对给定查询图像进行定位。查询图像的相机位置通过基于 RANSAC 的方法，由两个相对平移估计进行三角测量获得。每个相对位姿估计为相机朝向提供一个假设，并在第二个 RANSAC 方案中进行融合。该神经网络使用训练图像对以端到端方式进行相对位姿估计训练。与以往工作相比，我们的方法不需要对网络进行场景特定训练，从而提高了可扩展性，并且可应用于网络训练期间不可用的场景。作为另一主要贡献，我们发布了一个具有挑战性的室内定位数据集，涵盖 5 个注册到公共坐标框架的不同场景。我们使用自己的数据集和标准的 7 Scenes 基准评估了我们的方法。结果表明，所提出的方法对未见过的场景具有良好的泛化能力，并且与其他近期基于 CNN 的方法相比表现优异。
引用
@article{arxiv.1707.09733,
title = {Camera Relocalization by Computing Pairwise Relative Poses Using Convolutional Neural Network},
author = {Zakaria Laskar and Iaroslav Melekhov and Surya Kalia and Juho Kannala},
journal= {arXiv preprint arXiv:1707.09733},
year = {2017}
}