LoopNet：用于大规模 SLAM 闭环的多任务少样本学习方法
计算机视觉与模式识别
2025-07-22 v1 机器学习
摘要
SLAM（Simultaneous Localization and Mapping，同时定位与地图构建）闭环问题的主要挑战之一是识别以前访问的地点。在本工作中，我们解决了两个主要问题：1) 闭环检测的准确性，以及 2) 嵌入式硬件上的实时计算限制。我们的 LoopNet 方法基于经典 ResNet 架构的多任务变体，适用于动态视觉数据集上的在线重新训练，并针对嵌入式设备进行优化。所设计的在线重新训练采用少样本学习方法。该架构提供了对查询视觉数据集的索引，以及预测质量的度量。此外，通过利用 DISK（DIStinctive Keypoints，离散特征点）描述符，LoopNet 超越了手工特征和传统深度学习方法的局限性，在不同条件下提供了更好的性能。代码已公开于 https://github.com/RovisLab/LoopNet。我们还引入了一个新的闭环基准数据集，称为 LoopDB，已公开于 https://github.com/RovisLab/LoopDB。
引用
@article{arxiv.2507.15109,
title = {LoopNet: A Multitasking Few-Shot Learning Approach for Loop Closure in Large Scale SLAM},
author = {Mohammad-Maher Nakshbandi and Ziad Sharawy and Sorin Grigorescu},
journal= {arXiv preprint arXiv:2507.15109},
year = {2025}
}