用于自运动估计的自监督三维关键点学习
计算机视觉与模式识别
2020-11-19 v3 机器学习
机器人学
摘要
检测并匹配鲁棒的视角不变关键点是视觉 SLAM 与运动恢复结构的关键。最先进的基于学习的方法通过单应自适应从单幅图像生成具有已知关键点匹配关系的二维合成视图来创建训练样本。然而，这种方法不能推广到真实世界视频中常见的具有光照变化的非平面三维场景。在本工作中，我们提出直接从无标签视频中自监督学习深度感知关键点。我们通过基于 Procrustean 残差位姿校正的可微运动恢复结构模块，结合外观与几何匹配，联合学习关键点与深度估计网络。我们描述了如何将我们的自监督关键点集成到最先进的视觉里程计框架中，以实现真实条件下自动驾驶车辆的鲁棒且精确的自运动估计。
引用
@article{arxiv.1912.03426,
title = {Self-Supervised 3D Keypoint Learning for Ego-motion Estimation},
author = {Jiexiong Tang and Rares Ambrus and Vitor Guizilini and Sudeep Pillai and Hanme Kim and Patric Jensfelt and Adrien Gaidon},
journal= {arXiv preprint arXiv:1912.03426},
year = {2020}
}