正确损失：基于学习的视觉里程计中的欧几里得与黎曼度量
计算机视觉与模式识别
2024-01-12 v1
摘要
本文概述了视觉里程计（VO）网络中的不同位姿表示和度量函数。VO网络的性能在很大程度上取决于其架构如何编码信息。位姿表示和损失函数的选择显著影响网络的收敛性和泛化能力。我们在VO网络DeepVO中通过实现基于欧拉角、四元数和弦距离的损失函数，并分析它们对性能的影响，来研究这些因素。本研究的结果为损失函数如何影响用于相机运动估计的高效准确VO网络设计提供了见解。实验表明，符合度量数学要求的距离（如弦距离）能提供更好的泛化能力和更快的收敛速度。实验代码可在https://github.com/remaro-network/Loss_VO_right获取。
引用
@article{arxiv.2401.05396,
title = {Loss it right: Euclidean and Riemannian Metrics in Learning-based Visual Odometry},
author = {Olaya Álvarez-Tuñón and Yury Brodskiy and Erdal Kayacan},
journal= {arXiv preprint arXiv:2401.05396},
year = {2024}
}