GCNv2：面向实时 SLAM 的高效对应点预测
机器人学
2019-06-19 v3 计算机视觉与模式识别
摘要
在本文中，我们提出了一种基于深度学习的网络 GCNv2，用于生成关键点与描述子。GCNv2 构建于我们之前的方法 GCN（一个为三维射影几何训练的网络）之上。GCNv2 设计了一个如 ORB 特征那样的二进制描述子向量，从而可以轻松替换 ORB-SLAM2 等系统中的 ORB。GCNv2 相比仅能在桌面硬件上运行的 GCN 显著提升了计算效率。我们展示了使用 GCNv2 特征的改进版 ORB-SLAM2 如何在嵌入式低功耗平台 Jetson TX2 上运行。实验结果表明，GCNv2 保持了与 GCN 相当的准确性，并且足够鲁棒以用于飞行无人机的控制。
引用
@article{arxiv.1902.11046,
title = {GCNv2: Efficient Correspondence Prediction for Real-Time SLAM},
author = {Jiexiong Tang and Ludvig Ericson and John Folkesson and Patric Jensfelt},
journal= {arXiv preprint arXiv:1902.11046},
year = {2019}
}
备注
Project page: https://github.com/jiexiong2016/GCNv2_SLAM