Apr, 2024

AGL-NET：具有不同尺度的航地跨模态全局定位

PDF
TL;DR通过利用 LiDAR 点云和卫星地图，AGL-NET 提出了一种新的基于学习的全球定位方法，解决了图像和点云数据之间的表征差异以及全局视图和局部视图之间的尺度差异的关键挑战。AGL-NET 采用一种统一的网络架构，通过创新的两阶段匹配设计来提取信息化的神经特征，并引入了新颖的尺度对齐步骤来校正 LiDAR 和地图数据之间的尺度变化，进一步通过新颖的尺度和骨骼损失函数指导网络学习尺度不变的特征表征，从而消除了预处理卫星地图的需要，显著提高了在未知地图尺度情况下的实际应用性。为了促进严格的性能评估，我们在 CARLA 模拟器中引入了一个精心设计的数据集，专门用于度量定位训练和评估。代码和数据集将公开提供。
发现论文，激发创造
  • LocNet: 用于移动车辆的 3D 点云全局定位

    该论文提出了一种解决全局定位问题的方法，通过使用基于 Siamese LocNets 的半手工表示学习方法，在全局先验地图中实现了场所识别和尺度姿态估计，并且提出了一个使用仅距离观测的全局定位框架。通过 KITTI 数据集和自主收集的多个数据集的实验结果表明，该系统能够实现高精度的全局定位。

    Dec, 2017

  • 利用航空参考图像进行广域图像地理定位

    本文旨在使用卷积神经网络来解决跨视角图像地理定位的问题，并介绍了用于地面图像和航拍图像的特征表示，并提出一种融合多个空间尺度提取的特征的网络架构，并通过实验表明其比现有方法更为优越。

    Oct, 2015

  • LoGoNet: 基于局部到全局跨模态融合的精确三维物体检测

    本文提出了一种名为 LoGoNet 的基于 LiDAR 和相机融合的新型神经网络，该网络能够同时在局部和全局层面上对 3D 物体进行检测，并在 Waymo 和 KITTI 数据集上获得了最佳检测表现。

    Mar, 2023

  • 大规模实时视觉惯性定位重访

    本文提出了一种基于图像的定位方法，使用本地特征和稀疏的三维模型进行全球规模的离线和在线实时客户端姿态融合，实现低延迟本地化查询，证明了该方法在大规模模型上的有效性。

    Jun, 2019

  • GA-Net: 引导连接网络实现端到端立体匹配

    在立体匹配任务中，匹配成本聚合对于准确估计视差在传统方法和深度神经网络模型中都非常重要。本文提出了两个新颖的神经网络层，旨在分别捕捉本地和整个图像成本依赖关系。实验表明，具有两个引导聚合块的网路轻松超越具有十九个 3D 卷积层的 GC-Net 的最新技术水平。我们还训练了一个深度引导聚合网络（GA-Net），其在 Scene Flow 数据集和 KITTI 基准测试上比最先进的方法更准确。

    Apr, 2019

  • 联合优化的全局局部无人机视觉定位

    我们提出了一种新颖的全局 - 本地视觉定位（GLVL）网络，通过结合大规模检索模块和细粒度匹配模块实现了无局限累积误差的实时精确定位，证实了我们方法在稀疏纹理特征的村庄场景下只有 2.39 米的 0.48 秒的定位误差。

    Oct, 2023

  • G2L-Net：面向实时 6D 姿态估计的全局到局部网络与嵌入向量特征

    本文提出了一种新颖的 6D 物体姿态估计框架，称为 G2L-Net，它可以通过 RGB-D 检测处理点云数据来进行实时姿态估计，并在两个基准数据集上取得了最先进的性能。

    Mar, 2020

  • GraNet：针对 ALS 点云分类的全局关系感知注意力网络

    本论文提出一种新型神经网络用于对 ALS 点云进行语义标注，名为全局关系感知注意网络 (GraNet)，该方法首先使用一个本地空间注意卷积模块 (LoSDA) 学习本地几何描述和本地依赖关系，然后使用全局关系感知注意模块 (GRA) 学习任何空间位置和特征向量之间的全局空间和通道关系，以上两个重要模块嵌入多尺度网络架构中，实验结果表明，与其他常用高级分类方法相比，我们的方法在两个 ALS 点云数据集上均可获得更高的分类精度。

    Dec, 2020

  • LGENet：用于航空激光扫描点云语义分割的局部和全局编码器网络

    该研究提出了一种基于本地和全局编码器网络（LGENet）的语义分割方法，通过 2D 和 3D 卷积提取特征，利用全局编码器在物体和点级别上开发上下文信息，并设计基于分割的边缘条件卷积来编码分割之间的全局上下文。结果表明，该模型在 2 个不同的 ALS 数据集上均获得了优秀的性能表现。

    Dec, 2020

  • GOMAA-Geo：目标模态不可知主动地理定位

    我们提出了 GOMAA-Geo，一个目标模态不可知的主动地理定位代理，通过跨模态对比学习和监督基础模型预训练以及强化学习相结合的方式，实现高效的导航和定位策略，在广泛评估中表现出超越可学习方法并在不同数据集和目标模态上进行泛化的能力。

    Jun, 2024