DynamicGlue：使用图神经网络在动态环境中进行对极与时间感知的数据关联
计算机视觉与模式识别
2024-07-02 v3 机器人学
摘要
在许多几何计算机视觉任务（如SLAM）中，静态环境的假设很常见，但这限制了它们在高度动态场景中的适用性。由于这些任务依赖于在环境的静态部分内识别输入图像之间的点对应关系，我们提出了一种基于图神经网络的稀疏特征匹配网络，旨在在具有挑战性的条件下执行鲁棒匹配，同时排除移动物体上的关键点。我们采用了与最先进的特征匹配网络类似的图边上注意力聚合方案来增强关键点表示，但通过对极和时间信息扩充图，并大幅减少图边的数量。此外，我们引入了一种自监督训练方案，仅从未处理的视觉惯性数据中提取动态环境图像对的伪标签。一系列实验表明，与最先进的特征匹配网络相比，我们的网络在排除移动物体关键点方面表现出卓越的性能，同时在传统匹配指标上仍取得了相似的结果。当集成到SLAM系统中时，我们的网络显著提高了性能，尤其是在高度动态的场景中。
引用
@article{arxiv.2403.11370,
title = {DynamicGlue: Epipolar and Time-Informed Data Association in Dynamic Environments using Graph Neural Networks},
author = {Theresa Huber and Simon Schaefer and Stefan Leutenegger},
journal= {arXiv preprint arXiv:2403.11370},
year = {2024}
}