二值卷积神经网络在小型机体相对导航中的高效特征描述
本篇论文使用卷积神经网络用于辅助空间装配任务中的物体追踪和位姿预测,通过模拟器生成的数据集训练后,证明该模型相对于其他基于手工特征提取的方法更加稳健可靠。
Jan, 2020
通过轻量级特征提取器,本研究采用视觉为基础的接近导航方法解决小行星探测任务中的挑战,提供了在照明变化和仿射变换下具有稳健性的特征提取方法,同时将合成图像和实际数据结合以验证其有效性。通过该研究,取得了在小行星导航领域准确导航和定位的成果,并为未来的研究提供了有价值的见解。
Sep, 2023
本文提出了一种基于深度卷积递归神经网络的端到端视觉里程计体系结构,该体系结构使用了有指导的特征选择方法。实验表明,在流行的 KITTI 和 ICL_NUIM 基准测试中,我们的方法在解耦和关节相机姿态恢复方面都优于当前最先进的基于模型和基于学习的方法。
Nov, 2018
本研究介绍了卷积极限学习机和卷积神经网络两种深度学习架构在图像处理方面的对比,探究了卷积极限学习机架构在计算效率上的优势并提出了基于此的神经网络架构设计方法,同时也研究了图像处理方法与标记策略之间的相互作用对于基于视觉的导航系统的影响。
Oct, 2022
本文介绍了一种基于卷积神经网络的单目视觉姿态确定方法,涉及对姿态空间进行离散处理并使用 CNN 进行训练的设计和验证,同时提出了一种用于生成任何航天器 3D 模型高保真度图像的图像合成流水线,并通过分类和姿态准确性评估指标表明该体系结构具有理想的稳健性和可伸缩性。
Sep, 2018
该文综述了当前基于深度学习的自主航天器相对导航方法,并侧重于太空飞行器缘会和小型天体着陆等具体轨道应用。文章总结了深度学习相对导航算法的基本特征、主要动机和贡献,并比较了流行的视觉跟踪基准及其性质。此外,本文还讨论了潜在的应用以及预期的障碍。
Aug, 2021
运用神经结构搜索技术 (NAS), 我们为视觉姿态估计任务自动确定了几个帕累托最优的卷积神经网络 (CNNs), 以适应小型 UAV 硬件限制的特点,展示了现实生活中多个 NAS 优化的 CNNs 可以在 27 克的 Crazyflie 纳米 UAV 上运行,并通过降低 32%的实地控制误差,具有实时的推断速率~10Hz@10mW 和~50Hz@90mW,从而进一步优化了 CNNs。
Mar, 2023
基于低分辨率相机和超低功耗车载 SoC 的垂直集成系统,通过全卷积神经网络(FCNN)在纳米无人机之间背对背的相对姿态估计方面取得了显著改进。
Feb, 2024
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
本文提出了一种卷积网络框架,用于学习二进制补丁描述符,其中像素域特征与从变换域提取的特征融合。实验证明,我们的特征融合方法在准确性、速度和复杂性方面优于多种最先进的方法。
Jan, 2019