深度深度预测与视觉 SLAM 的在线互适应
机器人学
2022-02-02 v3 计算机视觉与模式识别
摘要
卷积神经网络（CNN）准确深度预测的能力是其在实用视觉同步定位与建图（SLAM）应用（如增强相机跟踪与稠密建图）中广泛使用的主要挑战。本文旨在回答以下问题：即便 CNN 未针对当前运行环境训练，我们能否借助视觉 SLAM 算法调优深度预测 CNN 以裨益 SLAM 性能？为此，我们提出一种新颖在线适应框架，含两个互补过程：用于生成关键帧以微调深度预测的 SLAM 算法，以及利用在线适应深度提升地图质量的另一算法。一旦移除潜在噪声地图点，我们执行全局光度束调整（BA）以改善整体 SLAM 性能。在基准数据集及我们自己实验环境中真实机器人上的实验结果表明，所提方法提升了整体 SLAM 精度。尽管正则化已在多任务分类问题中被证有效，我们给出实验结果及消融研究，表明正则化在防止深度预测在线适应（单任务回归问题）中的灾难性遗忘同样有效。此外，我们将在线适应框架与最先进预训练深度预测 CNN 比较，表明在线适应深度预测 CNN 优于在大量数据集上训练的那些深度预测 CNN。
引用
@article{arxiv.2111.04096,
title = {Online Mutual Adaptation of Deep Depth Prediction and Visual SLAM},
author = {Shing Yan Loo and Moein Shakeri and Sai Hong Tang and Syamsiah Mashohor and Hong Zhang},
journal= {arXiv preprint arXiv:2111.04096},
year = {2022}
}
备注
11 pages, 6 figures