动态环境中自我改进的 SLAM：学习何时进行掩码
计算机视觉与模式识别
2022-12-07 v3 人工智能
摘要
动态环境中的视觉 SLAM（同步定位与建图）通常依赖于识别并掩码运动物体上的图像特征，以防止其负面影响性能。现有方法不尽理想：它们要么在需要时未能掩码物体，要么相反地无谓掩码物体。因此，我们提出一种新颖的 SLAM，其学习在动态场景中何时掩码物体可改善自身性能。给定一个物体分割方法和一个 SLAM，我们赋予后者时间掩码能力，即推断何时应掩码某些类别的物体以最大化任意给定的 SLAM 指标。我们不对运动作任何先验假设：我们的方法自行学习掩码运动物体。为降低标注成本，我们创建了一种用于自监督训练的自动标注方法。我们构建了一个名为 ConsInv 的新数据集，包含室内与室外分别具有挑战性的真实世界动态序列。我们的方法在 TUM RGB-D 数据集上达到最先进水平，并在 KITTI 与 ConsInv 数据集上超越该水平。
引用
@article{arxiv.2210.08350,
title = {Self-Improving SLAM in Dynamic Environments: Learning When to Mask},
author = {Adrian Bojko and Romain Dupont and Mohamed Tamaazousti and Hervé Le Borgne},
journal= {arXiv preprint arXiv:2210.08350},
year = {2022}
}
备注
Accepted to BMVC 2022. Dataset link: https://github.com/adrianbojko/consinv-dataset