SalientDSO：将注意力引入直接稀疏里程计
计算机视觉与模式识别
2018-03-02 v1 机器人学
摘要
尽管杂乱的室内场景具有大量可用于建图与定位的有用高层语义信息，大多数视觉里程计(VO)算法依赖于点、线、面等几何特征的使用。近来，受此思想驱动，语义标签与里程计获取的联合优化在机器人学界日益流行。联合优化有利于精确结果，但通常非常缓慢。与此同时，在视觉领域，直接且稀疏的VO方法在速度与精度之间取得了恰当平衡。我们融合了这两个领域的成果，提出了一种以视觉显著性形式将语义信息引入直接稀疏里程计(Direct Sparse Odometry，一种极为成功的直接稀疏VO算法)的方法。我们还提出了一个基于场景解析过滤视觉显著性的框架。我们的框架SalientDSO依赖于广泛成功的基于深度学习的视觉显著性与场景解析方法，其驱动特征选择，从而即使在每帧仅有少至40个点的特征情况下也能获得高精度且鲁棒的VO。我们在ICL-NUIM和TUM monoVO数据集上对SalientDSO进行了广泛的定量评估，并表明我们优于DSO和ORB-SLAM——文献中两种非常流行的state-of-the-art方法。我们还收集并公开发布了一个CVL-UMD数据集，其中包含两个室内杂乱序列，我们在其上展示了定性评估。据我们所知，这是首篇使用视觉显著性与场景解析来驱动直接VO中特征选择的论文。
引用
@article{arxiv.1803.00127,
title = {SalientDSO: Bringing Attention to Direct Sparse Odometry},
author = {Huai-Jen Liang and Nitin J. Sanket and Cornelia Fermüller and Yiannis Aloimonos},
journal= {arXiv preprint arXiv:1803.00127},
year = {2018}
}