Oct, 2022

通过调整领域地图以适应深度预测不准确性，实现无人机鲁棒单目定位

PDF
TL;DR提出了一种新颖的单目定位框架，通过联合训练基于深度预测的深度学习和基于贝叶斯滤波的姿态推理，能够显著改进模型可伸缩性和环境变化的容忍度，即使深度预测非常差，也能保持高精度的姿态准确性，并且相对于标准的深度学习具有更高的光照变化下的姿态准确性。
monocular localizationdeep learningbayesian filteringpose reasoningenvironmental variations
发现论文，激发创造
  • 单目深度估计的自适应学习

    本篇论文提出了一种基于元学习的对抗式深度估计任务来增强深度估计模型的泛化能力，并引入了约束条件以迫使深度估计在不同对抗性任务中是相同的。实验证明，该方法能够在少量训练步骤后适应新的数据集。

    Mar, 2022

  • 单目深度图预测的半监督深度学习

    本文提出了一种半监督学习的深度学习方法，通过稀疏的真实深度数据和直接图像对齐误差来学习单目图像深度地图的预测，实验结果表现出一定的优越性。

    Feb, 2017

  • 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

  • 揭示深度：一种多模态融合框架用于挑战场景

    本文提出了一种新颖的方法，通过学习框架，识别和整合主导的跨模态深度特征，独立计算粗略深度图，并使用置信度损失和多模态融合网络进行端到端的深度估计，从而在各种困难情景中展示了鲁棒的深度估计能力。

    Feb, 2024

  • 自我优化单目 SLAM 和深度预测的伪 RGB-D

    本文提出一种基于 SLAM 和 CNNs 的结合框架，将 CNN-predicted depth 用于伪 RGB-D feature-based SLAM，同时将几何 SLAM 的 3D 场景结构和相机姿势注入到深度网络中，以实现更好的姿态和 3D 结构估计。实验表明，该框架在 KITTI 和 TUM RGB-D 数据集上优于先前的方法。

    Apr, 2020

  • 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

  • 单目姿态估计的对抗性攻击

    本文研究了深度学习中对 3D 场景识别任务的影响，发现对于单目深度估计和姿态估计，添加微小的扰动会导致预测出现明显偏差，网络具有一定的漏洞和不足。

    Jul, 2022

  • CNN-SLAM: 实时稠密单目 SLAM 与深度预测学习

    本文研究了如何利用卷积神经网络深度预测图来进行准确而密集的单目重建，并提出了一种将 CNN 预测的密集深度图与直接单目 SLAM 测量所获得的深度测量自然融合的方法，证明了这种方法在场景重建绝对尺度估计等方面的鲁棒性和准确性。最终，提出了一个将语义标签与单个帧的密集 SLAM 高效融合的框架，能够从单个视图中获得语义一致的场景重建。

    Apr, 2017

  • 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

  • 基于深度学习的单目深度估计：综述

    该研究对基于深度学习的单张图像深度估计方法进行了调研，总结了常用的数据集、评价指标和不同的训练方式，并讨论了未来研究中的挑战和方向。

    Mar, 2020