CVPRDec, 2017

几何感知学习用于相机定位的地图

PDF
TL;DR提出了一种名为 MapNet 的深度神经网络，它将地图表示为一种数据驱动的方式，利用视觉里程计和 GPS 等常见的传感器数据来建立约束关系，从而提高相机定位的精确度和实现自监督式更新。在室内和室外数据集上进行的实验表明，该方法相较于之前的工作在性能上有了显著的提高。
mapsdeep neural netcamera localizationdata-driven mapvisual slam
发现论文，激发创造
  • 地图学习：自动驾驶的视觉常识

    本文提出了一种基于车载摄像头图像的道路布局推断模型，同时构建了一个路况数据集，可以将导航地图的元数据与 Google 街景图像匹配以提供标签，并利用深度卷积网络训练该模型，结果表明该方法可用于提升基础设施安全性。

    Nov, 2016

  • 深度学习在视觉定位和地图构建中的应用综述

    通过综述和提出分类法，本文基于深度学习对定位和制图的研究方法进行探讨，并希望成为将来研究人员应用深度学习解决视觉定位和制图问题的指南。

    Aug, 2023

  • 用于视觉定位和里程计的深层辅助学习

    本研究提出了一种新的基于卷积神经网络的多任务全局姿态矫正和里程计评估方法 VLocNet，该模型结构紧凑、可实现实时推断，并采用了一种新颖的辅助损失函数来利用相关位姿信息进行训练，在室内和户外数据集上的实验结果表明，该模型具有可与 SIFT 算法媲美、甚至优于其表现的定位精度。

    Mar, 2018

  • 使用几何感知循环网络学习空间常识

    这篇论文提出了一种通过结合几何学和深度视觉表示学习的思想，将其嵌入移动视觉场景理解的递归网络架构中，以学习如何将 2D 视觉特征整合到场景的潜在 3D 特征映射中，通过不同 iable 几何操作进行预测和分割，十分成功。

    Dec, 2018

  • 使用深度学习进行相机姿态回归的几何损失函数

    论文探讨了使用几何学和场景重投影误差等新颖的损失函数进行深度学习相机位姿回归的方法，同时展示了该技术在不同数据集上比 SIFT 算法更好的性能。

    Apr, 2017

  • VectorMapNet: 端到端的矢量高精度地图学习

    本研究提出了一个名为 VectorMapNet 的端到端矢量化高清地图学习管道，它可以利用传感器观测数据预测出鸟瞰图中稀疏的折线。该管道可以明确地建模地图元素之间的空间关系，并生成对自主驾驶任务友好的矢量化高清地图。实验表明，VectorMapNet 在 nuScenes 和 Argoverse2 数据集上的地图学习性能优于以前的最先进方法，MAP 分别提高了 14.2 和 14.6。

    Jun, 2022

  • 深度学习在定位和地图制图中的研究：迈向空间智能的时代

    本研究对以深度学习为基础的定位和建图方法进行全面调查和分类，讨论了目前模型的局限性，并预示了未来的方向。文中涵盖了从学习里程估计、绘图到全局定位和同时定位和绘图（SLAM）等广泛的话题，探讨了利用车载传感器来感知自我动作和场景理解的问题，并展示了如何将这些模块集成到 SMIS 中。希望本研究能连接机器人学、计算机视觉和机器学习社区的新兴工作，并为未来研究者提供指南，应用深度学习来解决定位和绘图问题。

    Jun, 2020

  • SNAP：自监督神经地图用于视觉定位与语义理解

    通过使用人工智能技术，本文介绍了一种名为 SNAP 的新型神经网络，可以自动创建丰富的 2D 地图，并具有更高级的语义信息。该方法可以解决创建和维护 2D 地图的困难，并在定位方面取得了业界领先的表现。

    Jun, 2023

  • OrienterNet：使用神经匹配在 2D 公共地图中进行视觉定位

    论文提出了 OrienterNet，这是一个可以使用 2D 语义地图对图像进行亚米级别本地化的深度神经网络，通过匹配神经鸟瞰与来自 OpenStreetMap 的开放和全球可用地图，可以使任何人在这些地图提供的地方进行本地化。 OrienterNet 通过监督相机姿势进行训练，但学习以端到端的方式执行与地图元素的语义匹配，具有广泛的泛化能力，代码和训练模型将公开发布。

    Apr, 2023

  • 可微映射网络：学习结构化映射表示以实现稀疏视觉定位

    本文介绍了一个基于不同 iable mapping 和端到端学习的神经网络架构（Differentiable Mapping Network，DMN），用于机器人的制图和定位任务，特别是在只有少量观测数据的情况下。作者将 DMN 应用于稀疏的可视化定位任务中，并在模拟和真实世界数据上进行了评估，证明了 DMN 在视觉定位中学习有效的地图表示的优点。

    May, 2020