利用贝叶斯神经网络学习乘法交互用于视觉-惯性里程计
计算机视觉与模式识别
2020-07-16 v1 机器学习
机器人学
图像与视频处理
摘要
本文提出一种用于单目视觉-惯性里程计（VIO）的端到端多模态学习方法，其专门设计用于在传感器退化场景下利用传感器互补性。所提出的网络利用多头自注意力机制学习多个信息流之间的乘法交互。我们方法的另一设计特点是通过可扩展拉普拉斯近似引入模型不确定性。我们在 KITTI 数据集上将所提方法的性能与端到端现有最佳方法进行比较，表明其取得了更优性能。重要的是，我们的工作由此提供了经验证据：学习乘法交互可形成强大的归纳偏置，从而增强对传感器故障的鲁棒性。
引用
@article{arxiv.2007.07630,
title = {Learning Multiplicative Interactions with Bayesian Neural Networks for Visual-Inertial Odometry},
author = {Kashmira Shinde and Jongseok Lee and Matthias Humt and Aydin Sezgin and Rudolph Triebel},
journal= {arXiv preprint arXiv:2007.07630},
year = {2020}
}
备注
Published at Workshop on AI for Autonomous Driving (AIAD), the 37th International Conference on Machine Learning, Vienna, Austria, 2020