Nov, 2023

基于特征的动态加权因子图几何定位

PDF
TL;DR基于特征的地理定位依赖于将从航空影像中提取的特征与车辆传感器检测到的特征进行关联。本文中，我们提出了一种基于动态加权因子图模型的车辆轨迹估计方法，通过使用 LiDAR 传感器执行的检测中的信息量化来调整权重。同时，在模型中包含了基于 GNSS 的先验（错误）估计。当表示变得模糊或稀疏时，权重会动态调整以依赖于修正后的先验轨迹，从而减少异常值和偏差。我们在一个具有挑战性的模糊环境中与最先进的地理定位方法进行比较，并在其中引起检测损失。我们证明了在其他方法失败的情况下，我们的方法可以减轻所述缺点。
feature-based geo-localizationlandmarksdynamically weighted factor graph modellidar sensortrajectory estimation
发现论文，激发创造
  • 语义边缘检测的动态特征融合

    本文提出了一种新颖的动态特征融合策略，通过权重学习器对不同输入图像和位置适应地推断各级特征的融合权重，以更好地考虑由 Feature Map 的不同位置和输入图像产生的贡献，从而实现更准确、更清晰的边缘预测，实验证明该方法在语义边缘检测方面表现优异，达到了新的最高水平。

    Feb, 2019

  • 基于因子图的点云 3D 多目标跟踪

    本文提出了基于高斯混合模型和因子图框架的非线性最小二乘优化，用于处理三维空间中多个移动物体的跟踪问题，并展示了在 KITTI 跟踪数据集上实验的表现。

    Aug, 2020

  • 基于层次多分辨率特征和先验的图分类

    为了将空间（邻域）和双向分层关系以及样本的特征和先验信息纳入他们的分类中，我们针对三种变型的多分辨率邻域图以及分层条件随机场图制定了分类问题。

    Jun, 2023

  • 基于本地化引导的行人属性识别学习

    提出了一种基于定位的引导网络，该网络为每个属性自动学习本地特征，并通过与全局特征的互动强调它们，在两个行人属性基准测试中取得了最新的最佳成绩。

    Aug, 2018

  • 可几何映射的图像特征

    本文介绍了一种机器学习方法，用于学习基于图像检索的定位图像特征，通过引导学习过程，使图像特征与几何距离成比例，并在实验中表现出更好的定位准确度以及在缺乏参考图像的情况下估计查询序列轨迹的能力。

    Mar, 2020

  • ASLFeat: 学习准确形状和定位的本地特征

    ASLFeat 是一种新的本地特征检测器和描述符结合的方法，使用可变形卷积网络估计本地特征点的形状，从而实现更强的几何不变性。此外，ASLFeat 使用层次结构以恢复空间分辨率和局部细节，并通过尖锐度测量来推导最有指示性的检测分数，以进一步提高检测精度和可靠性，并可在各种实际场景中获得最新的研究成果。

    Mar, 2020

  • 点云学习的动态局部特征聚合

    本文提出了一种动态特征聚合 (DFA) 方法，通过在特征域内构建局部图，进行 k - 最近邻探索潜在位置和特征相似性信息，结合原始点云低维全局特征表达，以增强特征表示，从而有效地进行点云分类。

    Jan, 2023

  • 训练深度网络实现空间敏感性

    本文提出了一种可微分而高效的算法来逼近加权 F - 测量度量函数，通过引入空间信息，不牺牲准确性的情况下可以使用比现有方法更简单的模型，加快推断速度并减轻前 / 后处理的需要，对于许多任务可以比传统指标的先进状态匹配（或提高）性能，且在加权 F - 测量方面显著提高了性能。

    Aug, 2017

  • EdgeCalib: 自动目标无关激光雷达相机校准的多帧加权边缘特征

    在多模式感知系统中，精确进行 LiDAR 和相机之间的外部标定至关重要。我们介绍了一种基于边缘的方法，用于在实际场景中自动在线标定 LiDAR 和相机，通过在图像和点云中对齐边缘特征来确定外部参数，并通过边缘对应约束来优化准确的外部参数，结果表明其在精度和鲁棒性方面优于现有的基于边缘的标定方法。

    Oct, 2023

  • 局部特征几何的多视角优化

    本研究提出了一种基于多视图三角化和非线性最小二乘的方法来优化局部图像特征的定位精度，实验证明该方法能够提高手工制作和学习的局部特征的三角化和相机定位性能。

    Mar, 2020