在单帧上训练深度SLAM
计算机视觉与模式识别
2019-12-12 v1
摘要
基于学习的视觉里程计和SLAM方法在过去几年中展现出稳步提升。然而,收集地面真实位姿来训练这些方法困难且昂贵。这可以通过无监督模式训练来解决,但无监督与有监督方法之间性能差距仍然很大。在这项工作中,我们专注于为以光流为输入的基于深度学习的视觉里程计和SLAM方法生成合成数据。我们以对应于真实帧与虚拟帧之间任意相机运动的流的形式产生训练数据。为合成数据,我们使用由深度传感器产生或从立体对估计的深度图。我们在合成数据上训练视觉里程计模型且不使用地面真实位姿,因此该模型可视为无监督的。同时它可归类为单目的,因为推理时我们不使用深度图。我们还提出一种基于帧匹配与图优化的将任何视觉里程计模型转换为SLAM方法的简单方式。我们证明,在合成数据上训练的视觉里程计模型以及建立于此模型上的所提SLAM方法在KITTI数据集上均取得了无监督方法中state-of-the-art的结果,并在具有挑战性的EuRoC数据集上展现出有前景的结果。
引用
@article{arxiv.1912.05405,
title = {Training Deep SLAM on Single Frames},
author = {Igor Slinko and Anna Vorontsova and Dmitry Zhukov and Olga Barinova and Anton Konushin},
journal= {arXiv preprint arXiv:1912.05405},
year = {2019}
}