用于深度视觉里程计的引导特征选择
计算机视觉与模式识别
2018-11-27 v1 机器人学
摘要
我们提出了一种基于深度卷积循环神经网络的、带引导特征选择的端到端视觉里程计新架构。与当前的单目视觉里程计方法不同，我们的方法建立在一个直观认识上：特征对不同的运动模式具有判别性贡献。具体而言，我们提出一种双分支循环网络，利用当前的卷积神经网络（CNN）进行特征表示、利用循环神经网络（RNN）进行图像序列推理，分别学习旋转与平移。为增强特征选择能力，我们进一步引入一种有效的上下文感知引导机制，强制每个分支显式地提炼特定运动模式的相关信息。实验表明，在流行的KITTI和ICL_NUIM基准上，对于解耦与联合相机位姿恢复，我们的方法均优于当前最先进的基于模型与基于学习的方法。
引用
@article{arxiv.1811.09935,
title = {Guided Feature Selection for Deep Visual Odometry},
author = {Fei Xue and Qiuyuan Wang and Xin Wang and Wei Dong and Junqiu Wang and Hongbin Zha},
journal= {arXiv preprint arXiv:1811.09935},
year = {2018}
}
备注
Accepted to ACCV 2018