学什么：特征、图像变换，还是二者兼顾？
机器人学
2023-06-23 v1
摘要
长期视觉定位是机器人与计算机视觉中的一个基本问题，但由于光照和季节引起的环境外观变化，该问题仍具挑战性。尽管许多现有工作试图通过直接学习不变的稀疏关键点与描述子来匹配场景以求解，这些方法在不利外观变化下仍表现不佳。近期以神经风格迁移为代表的图像变换技术已成为应对此类外观差异的替代方案。本文提出将图像变换网络与特征学习网络相结合，以提升长期定位性能。给定夜景到日景的图像对，图像变换网络在特征匹配前将夜景图像转换为类白昼条件；特征网络学习检测关键点位置及其关联描述子值，并可传入经典位姿估计器计算相对位姿。我们进行了多种实验以检验风格迁移与特征学习相结合及其训练策略的有效性，表明这种组合大幅提升了长期定位性能。
引用
@article{arxiv.2306.13040,
title = {What to Learn: Features, Image Transformations, or Both?},
author = {Yuxuan Chen and Binbin Xu and Frederike Dümbgen and Timothy D. Barfoot},
journal= {arXiv preprint arXiv:2306.13040},
year = {2023}
}
备注
IROS 2023. arXiv admin note: substantial text overlap with arXiv:2212.00122