轻量级无监督深度闭环

May, 2018

Lightweight Unsupervised Deep Loop Closure

Nate Merrill, Guoquan Huang

TL;DR本文提出了一种用于视觉回路闭合的无监督深度神经网络结构，该模型基于自编码器结构，使用随机改变角度投影变换来模拟机器人运动时出现的自然变化，并使用梯度直方图 (HOG) 来保持几何信息和光照不变性，提取出直接从原始图像中提取鲁棒特征的模型，由于其在多个数据集上表现卓越，可以在 SLAM 中取代通用的现有网络。

Abstract

Robust efficient loop closure detection is essential for large-scale real-time slam. In this paper, we propose a novel unsupervised deep neural network architecture of a feature embedding for visual loop closure

slam loop closure detection deep neural network autoencoder histogram of oriented gradients

发现论文，激发创造

OverlapNet: 基于激光雷达 SLAM 的环路闭合

本文介绍了使用深度神经网络在自动驾驶汽车记录的 3D 激光扫描数据中基于各种线索发现循环闭合的方法，并将其集成到现有的 SLAM 系统中，结果表明它可以有效地检测循环闭合，从而提高 SLAM 系统的映射效果，并通过 KITI 和 Ford 数据集进行了评估。

May, 2021

循环神经 SLAM：具有闭环的稠密神经 SLAM

使用全局优化的方式，Loopy-SLAM 将神经 RGBD SLAM 方法应用于密集的同时定位与建图任务中，解决了摄像机跟踪过程中的误差累积和地图扭曲的问题。

Feb, 2024

用于高效闭环的稠密 SLAM 的神经图映射

通过在稀疏视觉 SLAM 系统的位姿图上锚定轻量级神经场，我们提出了一种神经映射框架，能够集成大规模闭环，并在优化过程中考虑多个闭环，验证了方法的可扩展性和高质量。

May, 2024

快速准确的深度闭环和可靠的激光雷达定位与建图

该研究聚焦于解决姿态估计漂移和退化问题，提出了一种名为 LCR-Net 的多头网络模型，通过新颖的特征提取和姿态感知机制来准确估计 LiDAR 扫描之间的相似度和 6-DoF 姿态，将其应用于室外驾驶环境中，实现了强大而准确的在线 LiDAR SLAM，同时在候选项检索、闭环点云配准和连续重定位等三个设置中全面评估并展示了优异的性能，超过了同类方法并表现出卓越的泛化能力，它不依赖于耗时的鲁棒姿态估计器，适用于在线 SLAM 应用。这是首个具有深度闭环检测和重定位能力的 LiDAR SLAM。

Sep, 2023

DK-SLAM：具有深度关键点自适应学习、追踪和闭环的单目视觉 SLAM

DK-SLAM 是一种单目视觉 SLAM 系统，使用自适应深度特征进行特征提取和匹配，采用多项式约束进行位姿估计，使用基于二值特征的在线循环闭环模块来减少累积定位误差，并在公开数据集上展示了其高效性能。

Jan, 2024

无监督皮肤特征跟踪深度神经网络

使用卷积自编码器进行人脸特征追踪，无监督学习方法在不同运动条件下表现出优异的追踪精度和卓越的特征描述子，比传统和最新的监督学习方法更具优势。

May, 2024

用深度卷积循环自编码器学习流体系统低维特征动态

本研究提出一种基于深度学习的非线性模型降维策略，通过深度卷积自编码器和 LSTM 网络构建模块化模型，实现繁重计算任务中的模型降维，同时保持计算效率和系统稳定性。

Aug, 2018

基于目标级空间布局和语义一致性的回环检测

本文提出了一种基于 3D 场景图的物体级别数据关联方法来实现 SLAM 系统中的闭环检测，其中使用语义信息、交叉联合、物体颜色和物体嵌入等方法来进行对象级别的数据关联，最终得到全局一致且更加精确的 3D 语义地图。

Apr, 2023

基于场景图的视角不变和准确的循环检测方法

介绍了一种基于逐步创建的场景图的新型回路检测方法，针对室内场景的视觉 SLAM。它同时考虑了宏观视图拓扑、微观视图拓扑和语义实例的占用率来找到正确的对应关系。

May, 2023

攻击闭环：对基于图的闭环检测的对抗攻击

通过使用特征提取和聚类技术，我们提出了一种新的黑盒逃避攻击框架，称为 Adversarial-LCD，用于攻击图形化的环路闭合检测系统。我们的实验结果表明，Adversarial-LCD 在攻击性能上优于其他机器学习代理算法，包括 SVM-linear、SVM-polynomial 和贝叶斯分类器，彰显了我们的攻击框架的有效性。此外，我们的特征扰动方法基于特征中心性在效果上优于其他算法，如随机游走和最短路径，突显了 Adversarial-LCD 的选择方法的高效性。

Dec, 2023