面向视觉里程计的自监督特征提取与跟踪：优质深层特征
机器人学
2025-09-11 v1 计算机视觉与模式识别
摘要
视觉-based 定位取得了显著进展，但在大规模、户外和长期场景中常因光照变化、动态场景和低纹理区域等因素导致性能下降。这些挑战会降低特征提取与跟踪性能，而后者是准确运动估计的关键。虽然 SuperPoint 和 SuperGlue 等基于学习的方法在特征覆盖和鲁棒性方面表现出改进，但仍面临分布外数据泛化问题。我们通过结合任务特定反馈的自监督学习来增强深层特征提取与跟踪，从而提升在挑战性环境下的特征稳定性和信息性，改善泛化性和可靠性。
引用
@article{arxiv.2509.08333,
title = {Good Deep Features to Track: Self-Supervised Feature Extraction and Tracking in Visual Odometry},
author = {Sai Puneeth Reddy Gottam and Haoming Zhang and Eivydas Keras},
journal= {arXiv preprint arXiv:2509.08333},
year = {2025}
}
备注
This short paper has been accepted as a workshop paper at European Conference on Mobile Robots 2025