基于 HGCN 的视觉 SLAM 半监督向量量化方法
计算机视觉与模式识别
2022-07-15 v1 机器人学
摘要
本文介绍了两种基于半监督外观的回环检测技术 HGCN-FABMAP 和 HGCN-BoW，并给出了当前最先进的定位 SLAM 算法 ORB-SLAM 的一个扩展。所提出的 HGCN-FABMAP 方法以离线方式实现，结合贝叶斯概率框架进行回环检测决策。具体而言，我们让双曲图卷积神经网络（HGCN）在 SURF 特征图空间上运行，并执行 SLAM 流程中的向量量化部分。该部分此前使用 HKmeans、kmeans++ 等算法以无监督方式执行。使用 HGCN 的主要优势在于其复杂度随图边数线性增长。实验结果表明，HGCN-FABMAP 算法需要远比 HGCN-ORB 更多的聚类中心，否则无法检测回环。因此我们认为 HGCN-ORB 在内存消耗方面更高效，并且我们得出 HGCN-BoW 和 HGCN-FABMAP 相对于其他算法具有优越性的结论。
引用
@article{arxiv.2207.06738,
title = {Semi-supervised Vector-Quantization in Visual SLAM using HGCN},
author = {Amir Zarringhalam and Saeed Shiry Ghidary and Ali Mohades Khorasani},
journal= {arXiv preprint arXiv:2207.06738},
year = {2022}
}