Sep, 2017

DeepVO：用深度递归卷积神经网络实现端到端视觉里程计

HTML
PDF
TL;DR本文提出了一种新的、基于深度循环卷积神经网络（RCNNs）的单目 VO 的端到端框架，通过该框架，可以直接从一系列原始 RGB 图像（视频）中推断出姿态，同时具备学习有效特征表示、深度循环神经网络中的序列动力学和关系的功能，实验验证了该技术具备与传统 VO 系统相当的竞争力。
发现论文，激发创造
  • UnDeepVO: 无监督深度学习单目视觉里程计

    本文提出了一种新颖的单目视觉里程计（VO）系统UnDeepVO，其能够使用深度神经网络估计单目相机的6-DoF姿态和视野深度，该系统具有无监督深度学习方案和绝对尺度恢复两个显着特点，并且在KITTI数据集上获得了良好的姿态精度。

    Sep, 2017

  • 自监督端到端视觉里程计的几何一致性

    该论文提出了一种利用几何结构作为自我监督信号的无监督深度视觉里程计学习范例，并表明这种方法与监督学习方法在性能上的竞争力相当。

    Apr, 2018

  • GANVO: 基于生成对抗网络的无监督单目视觉里程计与深度估计

    本文提出了一种基于生成对抗网络的无监督学习框架，从未标记的RGB图像序列中预测场景的6自由度姿态相机运动和单目深度图，并在KITTI和Cityscapes数据集上给出了详细的定量和定性评估，结果表明该方法优于现有传统和无监督深度VO方法，提供更好的姿态估计和深度恢复结果。

    Sep, 2018

  • 深度视觉里程计引导特征选择

    本文提出了一种基于深度卷积递归神经网络的端到端视觉里程计体系结构，该体系结构使用了有指导的特征选择方法。实验表明，在流行的KITTI和ICL_NUIM基准测试中，我们的方法在解耦和关节相机姿态恢复方面都优于当前最先进的基于模型和基于学习的方法。

    Nov, 2018

  • MagicVO: 通过深度双向递归卷积神经网络实现单目视觉里程计的端到端计算

    本文提出了MagicVO框架，基于卷积神经网络和双向LSTM，对单眼视觉里程计问题进行求解，实验结果表明，MagicVO在位姿准确性和泛化能力方面优于传统视觉里程计系统。

    Nov, 2018

  • 基于递归神经网络的单目视觉里程计和深度（非）监督学习

    本研究提出了一种利用循环神经网络和多视图图像重投影以及前向-后向流一致性损失来训练的学习型多视图稠密深度地图和里程计估计方法，可用于视频的深度和视觉里程计估计，产生优于现有技术的单视图和多视图深度估计结果。

    Apr, 2019

  • 视觉里程计再探：应该学习什么？

    本文提出了一种单目视觉里程计算法，它结合了基于几何方法和深度学习的思想，并利用两个卷积神经网络进行深度估计和光流估计。在KITTI数据集上的实验表明，该算法具有较强的鲁棒性和良好的性能。

    Sep, 2019

  • 基于Transformer模型的单目视觉里程计：一种视频理解方法

    利用基于自注意力机制的TSformer-VO模型，将单目视觉里程计作为视频理解任务，从视频片段中提取特征并通过端到端的方式估计摄像机的6-DoF位姿，取得了与基于几何和深度学习的方法相比具有竞争力的业内领先表现。

    May, 2023

  • 机器人定位与建图终稿——用于自监督式深度视觉测距的顺序对抗学习

    使用深度神经网络进行图像生成任务以提取高级特征，进而估计视觉里程碑的深度和位姿，同时利用光流和循环神经网络以及生成对抗网络改进深度和位姿的估计精度。

    Sep, 2023

  • 一种基于注意力的深度学习框架用于实时单目视觉里程计：应用于无GPS无人机导航

    本文介绍了一种用于无人机的新型实时单目视觉里程计模型，使用了深度神经网络架构和自注意力模块，能够通过连续视频帧估计相机的自身运动，进而估计无人机的轨迹。该模型在两个视觉里程计数据集上测试，收敛速度比之前的循环神经网络模型快48％，并且平均平移漂移减少了22％，平均平移绝对轨迹误差改善了12％，表现出更强的抗噪能力。

    Apr, 2024