用于鲁棒稠密跟踪的语义纹理
计算机视觉与模式识别
2017-08-30 v1
摘要
我们认为，鲁棒的稠密 SLAM 系统可以很有价值地利用标准 CNN 的特征层作为‘语义纹理’金字塔，该金字塔适用于稠密对齐，同时比原始 RGB 值对光照等干扰因素鲁棒得多。我们使用直接的 Lucas-Kanade 图像对齐公式，在金字塔的由粗到细层级上进行迭代调度，并简单地将通常的图像金字塔替换为来自预训练 CNN 的卷积特征图层级。由此产生的稠密对齐性能对光照及其他变化鲁棒得多，我们通过针对捕获长达数小时的延时序列进行的相机旋转跟踪实验展示了这一点。着眼于实时视觉 SLAM 场景表示的未来，我们进一步证明，使用简单准则从 CNN 输出的全部特征集中选择少量特征，可给出同样准确但效率高得多的跟踪性能。
引用
@article{arxiv.1708.08844,
title = {Semantic Texture for Robust Dense Tracking},
author = {Jan Czarnowski and Stefan Leutenegger and Andrew Davison},
journal= {arXiv preprint arXiv:1708.08844},
year = {2017}
}