迈向几何深度 SLAM
计算机视觉与模式识别
2017-07-25 v1
摘要
我们提出了一个由两个深度卷积神经网络驱动的点跟踪系统。第一个网络 MagicPoint 对单张图像进行操作，提取显著的 2D 点。提取的点是“SLAM 就绪”的，因为它们通过设计在整幅图像中分布孤立且均匀。我们将该网络与经典点检测器进行比较，发现在存在图像噪声的情况下存在显著的性能差距。由于当检测到的点几何稳定时，变换估计更为简单，我们设计了第二个网络 MagicWarp，它对成对的点图像（MagicPoint 的输出）进行操作，并估计关联输入的单应性矩阵。这种变换引擎与传统方法不同，因为它不使用局部点描述符，仅使用点位置。两个网络均使用简单的合成数据进行训练，从而消除了对昂贵的外部相机真值标定和高级图形渲染管线的需求。该系统快速且轻量，在单个 CPU 上即可轻松运行 30+ FPS。
引用
@article{arxiv.1707.07410,
title = {Toward Geometric Deep SLAM},
author = {Daniel DeTone and Tomasz Malisiewicz and Andrew Rabinovich},
journal= {arXiv preprint arXiv:1707.07410},
year = {2017}
}