水下视觉SLAM中用于特征提取的知识蒸馏
计算机视觉与模式识别
2024-02-05 v1
摘要
近年来，基于学习的特征检测与匹配在室内（空气中）场景下已优于人工设计的方法。然而，由于缺少标注的水下数据集，学习水下场景中的特征颇具挑战。本文提出一种跨模态知识蒸馏框架，用于训练水下特征检测与匹配网络（UFEN）。具体地，我们基于物理水下成像形成模型，利用空气中的 RGBD 数据生成合成水下图像，并将其作为媒介，从在空气图像上预训练的 SuperPoint 教师模型中蒸馏知识。我们通过引入额外的二值化层将 UFEN 嵌入 ORB-SLAM3 框架以替换 ORB 特征。为测试方法有效性，我们构建了一个带有真值测量的新水下数据集 EASI（https://github.com/Jinghe-mel/UFEN-SLAM），该数据集记录于室内水箱中，涵盖不同浊度水平。在现有数据集与我们的新数据集上的实验结果证明了方法的有效性。
引用
@article{arxiv.2303.17981,
title = {Knowledge Distillation for Feature Extraction in Underwater VSLAM},
author = {Jinghe Yang and Mingming Gong and Girish Nair and Jung Hoon Lee and Jason Monty and Ye Pu},
journal= {arXiv preprint arXiv:2303.17981},
year = {2024}
}
备注
Accepted by IEEE International Conference on Robotics and Automation (ICRA 2023),6 pages