Mar, 2021

CoordiNet: 可靠车辆定位的不确定姿态回归器

PDF
TL;DR本文提出了一种基于神经网络的视觉相机重定位算法，名为 CoordiNet，该算法能够从单张图片中直接预测相机的姿态并提供姿态的不确定性估计。在大型基准数据集上的测试结果表明，该方法在自动驾驶车辆应用中具有很高的精度和实时性。
发现论文，激发创造
  • 深度学习相机重定位中的不确定性建模

    使用贝叶斯卷积神经网络实现六自由度视觉重定位系统，并利用其不确定性测量提高室内和户外场景的定位精度，实现实时处理。

    Sep, 2015

  • PoseNet：一种用于实时六自由度相机重定位的卷积网络

    本文提出了一个稳健而实时的单目六自由度重定位系统，使用卷积神经网络训练完成，无需其他工程或优化过程。

    May, 2015

  • 使用卷积神经网络计算两两相对姿态实现摄像机重定位

    本文提出了一种基于深度学习的摄像机再定位方法，通过卷积神经网络检索相似的数据库图像，并预测查询图像与数据库图像之间的相对姿态，使用 RANSAC 算法进行相对平移估计，并使用第二个 RANSAC 方案将相对姿态融合；此外，作者提出了一个涵盖 5 种不同场景的挑战性室内定位数据集，并在标准的 7 Scenes 测试基准上对方法进行了评估，结果表明该方法适用于之前未见过的场景，并与其他基于 CNN 的最新方法相比效果优异。

    Jul, 2017

  • RobustLoc：具有鲁棒性的车载摄像头位姿回归

    RobustLoc 是一个用于自动驾驶中的相机重定位系统，它使用神经微分方程进行信息扩散和卷积神经网络从多视角图像中提取特征图，同时配备多层训练的分支位姿解码器。使用 RobustLoc 可以在各种环境下实现相机的鲁棒定位。

    Nov, 2022

  • 基于全局唯一实例坐标回归的大规模联合语义重定位与场景理解

    本研究提出了一种新颖的联合语义本地化和场景理解方法，通过训练卷积神经网络，通过物体实例的自我表征和 6-DoF 相机姿态预测来实现 3D 场景坐标估计，并且相比直接姿态回归或基于场景坐标的姿态估计算法更加准确。

    Sep, 2019

  • 基于 Multi-Task CNN 的概率车辆重建

    本研究提出了一种基于概率的方法，使用一种新型多任务 CNN 产生车辆方向、车辆关键点和线框边缘的概率分布，并将这些结果与三维视差信息结合到常见概率框架中，从而达到了最先进的结果。

    Feb, 2021

  • PoseCNN: 一种用于混杂场景下六维物体姿态估计的卷积神经网络

    该论文介绍了一种新的卷积神经网络，PoseCNN，可用于解决机器人与真实世界互动时的 6D 目标位姿估算问题，并提供了解决对称物体的新型损失函数和一个大型视频数据集。

    Nov, 2017

  • 基于角度重投影误差的场景坐标回归在相机重新定位中的应用

    本文提出一种基于新的角度重投影误差损失方法的卷积神经网络训练方式，在无需精确初始化的情况下能够获得更准确的结果，并且可以利用多视角约束来进一步提高性能。

    Aug, 2018

  • 基于图像的定位的全幅场景坐标回归

    采用全帧方式进行场景坐标回归可以在测试时间内提高计算效率并增加回归过程的全局上下文以提高稳健性，而数据增强则有助于减轻过度拟合问题，从而提高基于图像识别的定位场景坐标预测的鲁棒性。

    Feb, 2018

  • 非合作空间器鲁棒性学习姿态估计

    提出了一种新的卷积神经网络架构及训练过程，可对非合作空间器进行姿态估计，通过对合成图像的纹理随机化进行训练的 CNN 表现出更好的性能，在单张图片中采用回归 2D 关键点的方法解决了空间像素限制问题。

    Sep, 2019