利用位置感知光流与几何光束法平差学习广义视觉里程计
计算机视觉与模式识别
2022-12-22 v2
摘要
近期将几何算法融入深度学习架构的视觉里程计（VO）方法在具有挑战性的单目VO任务上展现出优异性能。尽管取得了令人鼓舞的结果，以往方法忽视了在噪声环境与多样场景下泛化能力的需求。为解决这一难题，本文首先提出一种新颖的光流网络（PANet）。与以往将光流作为直接回归任务进行预测的方法不同，我们的PANet通过将光流预测至离散位置空间并构建光流概率体，再将其转换为光流来进行计算。接下来，我们通过引入多重采样、自运动初始化、动态阻尼因子调整与雅可比矩阵加权，改进了光束法平差模块以适配自监督训练流程。此外，提出了一种新颖的归一化光度损失函数以提升深度估计精度。实验表明，所提系统在KITTI数据集上不仅取得了与其他最先进的自监督学习方法的相当性能，而且在噪声KITTI与具有挑战性的室外（KAIST）场景上，相比基于几何、基于学习与混合VO系统显著提升了泛化能力。
引用
@article{arxiv.2111.11141,
title = {Learning Generalized Visual Odometry Using Position-Aware Optical Flow and Geometric Bundle Adjustment},
author = {Yijun Cao and Xianshi Zhang and Fuya Luo and Peng Peng and Yongjie Li},
journal= {arXiv preprint arXiv:2111.11141},
year = {2022}
}
备注
35 pages, 6 figures