基于几何的视觉里程计方法之校正与误差模型联合学习
计算机视觉与模式识别
2020-07-30 v1
摘要
本文倡导这样一种理念：深度学习方法可用于补充经典视觉里程计流程，以提升其精度并为其估计关联不确定性模型。我们表明，视觉里程计过程固有的偏差可被忠实学习并加以补偿，且一种与概率损失函数相关联的学习架构能够联合估计残差误差的完整协方差矩阵，从而定义一个捕捉该过程异方差性的误差模型。在自动驾驶图像序列上的实验评估了同时改进视觉里程计并估计与其输出相关误差的可能性。
引用
@article{arxiv.2007.14943,
title = {Simultaneously Learning Corrections and Error Models for Geometry-based Visual Odometry Methods},
author = {Andrea De Maio and Simon Lacroix},
journal= {arXiv preprint arXiv:2007.14943},
year = {2020}
}
备注
Accepted in IEEE Robotics and Automation Letters and IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2020