通过利用一个轻量级神经网络,我们展示了如何学习表示三维点和线特征,并通过多个学习映射的力量在姿态准确性方面取得领先的结果。我们通过使用一个转换器块编码线特征,将其有效地转化为独特的点式描述符,并在几个图层中集成自注意力和交叉注意力,从而有效地优化每个特征后使用两个简单的多层感知器进行三维地图回归。在综合实验中,我们的室内定位结果在基于点和基于线的配置上都超过了 Hloc 和 Limap 的结果。而且,在户外场景中,我们的方法取得了显著的领先地位,是目前基于学习的方法中最重要的改进。
Feb, 2024
本文提出了第一种单一深度神经网络同时进行线段检测和描述。通过自我监控训练,我们的方法不需要任何注释的线标签,并且可以推广到任何数据集。在多视图数据集及实际应用中,本方法相较以往的线条检测与描述算法拥有更高的稳定性和匹配度,是向学习特征点方法迈出的第一步。
Apr, 2021
本文提出了一种鲁棒性高、效率高的视觉 SLAM 系统,利用异构的点和线特征,并首次将正交表示作为线特征的最小参数化模型,并解析地推导了关于线参数的投影误差的雅克比矩阵,实验证明该方法在各种情况下都优于现有技术。
Nov, 2017
本文提出了一种基于点线特征的立体视觉里程计(StereoVO)技术,并使用一种基于注意力图神经网络的新型特征匹配机制,在恶劣的天气条件(如雾、霾、雨和雪)和动态光照条件(如夜间照明和眩光场景)下表现出色,通过稳健的点线匹配在低能见度天气和光照条件下完成立体视觉里程计。实验证明,与先进的线特征匹配算法相比,我们的方法能够获得更多的线特征匹配,而与点特征匹配相结合,在恶劣的天气和动态光照条件下表现一致优秀。
Aug, 2023
基于线特征的 LiDAR 点云点云配准方法通过 EdgeConv 标记线特征,并使用共享编码器层来训练两个分割和描述头,该方法在无初始变换输入的情况下验证了自己的有效性,对于各种计算机视觉任务具有广泛的应用价值。
Aug, 2022
本文提出了一种基于逆深度线定位 (IDLL) 的视觉同时定位和地图构建方法,通过识别室内的线特征并利用逆深度变量来减少冗余,达到更高的精度和效率,与目前基于特征的 VSLAM 方法相比,在多种感知挑战数据集上能够达到更准确、更健壮和更低的计算开销。
Apr, 2023
DeepLSD 是一种结合了深度网络和传统手工设计的边缘检测器,能够在不需要真实边线作为训练数据的情况下进行自适应训练,并且通过优化吸引力场和消失点提高了检测的精度。
Dec, 2022
综述了关于二维图像线段的检测和描述的研究,提出了两个线段检测和描述的分类,并分析和总结了现有的方法的关键问题、核心思想、优缺点以及其潜在的应用,同时评估了一些最新的线段检测和描述算法,以指导研究人员选择最佳的方法进行视觉应用。
通过设计轻量级模组,提出了一种用于自动驾驶中的准确高效线路地标检测系统,该系统能够有效检测停车服务中的线路地标,并应用于 Qualcomm 820A 平台的实时检测。
Sep, 2023
本文提出一种新的匹配模式,将点、线及其描述符统一成一个单独的框架结构,并提出 GlueStick,一种深度匹配图神经网络,以便从不同的图像中取出两个线框并利用节点之间的连接信息更好地将它们粘合在一起。我们证明了这种匹配策略可以优于当前最先进的独立匹配线段和点的方法,适用于各种数据集和任务。