Deep EndoVO：一种基于循环卷积神经网络 (RCNN) 的内窥镜胶囊机器人视觉里程计方法
计算机视觉与模式识别
2017-11-21 v2
摘要
吞咽式无线胶囊内窥镜是一种新兴的微创诊断技术，用于检查胃肠道并诊断多种疾病与病理。医疗器械公司及众多研究团队近期在将被动式胶囊内窥镜转化为主动式胶囊机器人方面取得了实质性进展，从而能够更准确、精确且直观地检测病变区域的位置与大小。由于可靠的真实姿态估计功能对于主动控制的内窥镜胶囊机器人至关重要，本研究提出了一种用于内窥镜胶囊机器人操作的视觉里程计 (Visual Odometry, VO) 方法。该方法将深度循环卷积神经网络 (RCNN) 应用于视觉里程计任务，其中卷积神经网络 (CNN) 用于特征提取，循环神经网络 (RNN) 用于跨帧动态推断。在真实猪胃数据集上进行的详细分析与评估证明，我们的系统在不同类型的内窥镜胶囊机器人轨迹下均实现了较高的平移和旋转精度。
引用
@article{arxiv.1708.06822,
title = {Deep EndoVO: A Recurrent Convolutional Neural Network (RCNN) based Visual Odometry Approach for Endoscopic Capsule Robots},
author = {Mehmet Turan and Yasin Almalioglu and Helder Araujo and Ender Konukoglu and Metin Sitti},
journal= {arXiv preprint arXiv:1708.06822},
year = {2017}
}