SPP-Net:基于合成视图的深度绝对位姿回归
计算机视觉与模式识别
2017-12-12 v1
摘要
基于图像的定位是计算机视觉中的重要问题之一,因其在机器人、增强现实和自主系统中的广泛适用性。文献中描述了大量关于如何将 2D 图像相对于 3D 模型进行几何配准的方法。近来,基于深度(和卷积)前馈网络(CNNs)的方法在位姿回归中变得流行。然而,尽管这些基于 CNN 的方法快速且内存高效,其精度仍低于基于几何的方法。在本工作中,我们设计了一种基于稀疏特征描述子的深度神经网络架构来估计图像的绝对位姿。我们选择使用稀疏特征描述子有两个主要优势:首先,我们的网络明显小于文献中针对该任务提出的 CNNs——从而使我们的方法更高效且可扩展。其次——也是更重要的——,稀疏特征的使用允许用合成视点扩充训练数据,这导致对未见位姿的泛化性能大幅提升。因此,我们提出的方法旨在结合两个世界的优点——基于特征的定位与基于 CNN 的位姿回归——以在绝对位姿估计中达到最先进的性能。我们提供了对所提架构的详细分析以及在现有数据集上的严格评估来支持我们的方法。
引用
@article{arxiv.1712.03452,
title = {SPP-Net: Deep Absolute Pose Regression with Synthetic Views},
author = {Pulak Purkait and Cheng Zhao and Christopher Zach},
journal= {arXiv preprint arXiv:1712.03452},
year = {2017}
}
备注
Submitted to CVPR 2018