用于多模态相机定位的不确定性感知深度神经网络
计算机视觉与模式识别
2023-03-10 v2
摘要
相机定位,即相机位姿回归,是计算机视觉中的一项重要任务,因其在智能车辆及其定位等场景中有诸多实际应用。对回归不确定性的可靠估计同样重要,因为它能帮助我们捕捉危险的定位失败。文献中,深度神经网络(DNN)的不确定性估计常通过采样方法实现,如蒙特卡洛Dropout(MCD)和深度集成(DE),代价是不理想的执行时间或硬件资源增加。本工作中,我们采用一种名为深度证据回归(DER)的不确定性估计方法,其避免任何采样技术,直接给出不确定性估计。我们的目标是通过分析生成的不确定性,提供一种系统性方法来拦截基于DNN架构的相机定位系统的定位失败。我们提出利用CMRNet——一种用于多模态图像到LiDAR地图配准的DNN方法——通过修改其内部配置以在KITTI数据集上开展广泛的实验活动。实验部分揭示了CMRNet的主要缺陷,并证明我们的方案既不损害原始定位性能,同时也提供了必要的内省度量,使终端用户能据此采取相应行动。
引用
@article{arxiv.2211.01234,
title = {Uncertainty-Aware DNN for Multi-Modal Camera Localization},
author = {Matteo Vaghi and Augusto Luis Ballardini and Simone Fontana and Domenico Giorgio Sorrenti},
journal= {arXiv preprint arXiv:2211.01234},
year = {2023}
}