视觉里程计重探：应当学习什么？
计算机视觉与模式识别
2020-02-19 v4
摘要
在这项工作中，我们提出了一种利用基于几何的方法与深度学习的单目视觉里程计（VO）算法。大多数现有性能优越的VO/SLAM系统基于几何，且必须为不同应用场景精心设计并。此外，大多数单目系统存在尺度漂移问题。一些最近的深度学习工作以端到端方式学习VO，但这些深度系统的性能仍无法与基于几何的方法相比。在这项工作中，我们重新审视VO的基础，并探索将深度学习与对极几何和Perspective-n-Point（PnP）方法集成的正确方式。具体而言，我们训练两个卷积神经网络（CNN）用于估计单视图深度和双视图光流作为中间输出。利用深度预测，我们设计了一个简单但鲁棒的帧间VO算法（DF-VO），其性能优于纯基于深度学习和基于几何的方法。更重要的是，我们的系统借助尺度一致的单视图深度CNN而不存在尺度漂移问题。在KITTI数据集上的大量实验显示了我们系统的鲁棒性，详细的消融研究显示了系统中不同因素的影响。
引用
@article{arxiv.1909.09803,
title = {Visual Odometry Revisited: What Should Be Learnt?},
author = {Huangying Zhan and Chamara Saroj Weerasekera and Jiawang Bian and Ian Reid},
journal= {arXiv preprint arXiv:1909.09803},
year = {2020}
}
备注
ICRA2020. Demo video: https://youtu.be/Nl8mFU4SJKY Code: https://github.com/Huangying-Zhan/DF-VO