极端环境下无监督深度持久单目视觉里程计与深度估计
计算机视觉与模式识别
2020-11-03 v1 人工智能
摘要
近年来，从无标记单目图像序列估计深度和视觉里程计（VO）的无监督深度学习方法受到了广泛关注。然而，由于感知退化、遮挡和快速运动，它们在具有挑战性的环境中性能受限。此外，现有无监督方法缺乏跨帧的尺度一致性约束，导致 VO 估计器无法在长序列上提供持久的轨迹。在本研究中，我们提出一种无监督单目深度 VO 框架，从非标记 RGB 图像序列预测六自由度姿态相机运动和场景深度图。我们在以下数据集上对提出的框架进行了详细的定量与定性评估：a) DARPA 地下挑战赛期间收集的具有挑战性的数据集；b) 基准 KITTI 和 Cityscapes 数据集。所提方法优于传统和最先进的（SOTA）无监督深度 VO 方法，在姿态估计和深度恢复上均提供更好的结果。该方法是 COSTAR 团队参加 DARPA 地下挑战赛所用解决方案的一部分。
引用
@article{arxiv.2011.00341,
title = {Unsupervised Deep Persistent Monocular Visual Odometry and Depth Estimation in Extreme Environments},
author = {Yasin Almalioglu and Angel Santamaria-Navarro and Benjamin Morrell and Ali-akbar Agha-mohammadi},
journal= {arXiv preprint arXiv:2011.00341},
year = {2020}
}
备注
Submitted to ICRA2021