×
秦子轩;尹梦晓;李桂青;杨凤

SP-Flow：用于实时SLAM的自监督光流对应点预测。 （英语） Zbl 1522.68501号

计算。辅助Geom。设计。 82，文章ID 101928，13 p.（2020）.
摘要：本文提出了一种称为SP-Flow的自监督学习网络，用于为SLAM系统实时生成关键点。在SP-Flow的训练过程中，采用光流来匹配连续两帧之间的关键点。这种方法使网络能够使用数据集，而无需手动注释。为了证明SP-Flow的有效性，我们在ORB-SLAM2系统中将ORB替换为SP-Flow，从而构建了SP-Flow-SLAM系统。实验结果表明，我们的SLAM系统能够以立体或RGB-D图像作为输入，实现实时性能和高精度。

MSC公司：

68T07型 人工神经网络与深度学习
68单位10 图像处理的计算方法

关键词：

深度学习;光流;关键点;跟踪;SLAM公司

软件：

FaceNet公司;基蒂;取消流动;倾斜;全球通信网络2;SIFT公司;LSD-SLAM系统;ORB-SLAM2;LF-Net（LF-Net）;SuperPoint（超级点）;亚当
PDF格式BibTeX公司 XML格式引用
\textit{Z.Qin}等人，计算。辅助Geom。设计。82，文章ID 101928，13 p.（2020；Zbl 1522.68501）
全文： 内政部

参考文献：

[1] 阿莱托，S。；阿巴蒂博士。；南部火山口。；库奇亚拉，R。；Rigazio，L.，通过投影引导进行自监督光流估计，IEEE Trans。智力。运输。系统。，20, 3294-3302 (2018)
[2] Bouguet，J.Y.，仿射Lucas Kanade特征跟踪器算法的金字塔实现，Intel Corp.Microprocess。研究实验室，5，4（2001）
[3] Calonder，M。；Lepetit，V。；斯特里查，C。；Fua，P.，Brief:二进制稳健独立基本特征（2010年欧洲计算机视觉会议论文集），778-792
[4] Choy，C.B。；Gwak，J。；萨瓦雷斯，S。；Chandraker，M.，通用通信网络，（神经信息处理系统进展（2016）），2414-2422
[5] Concha，A。；Civera，J.，《Rgbdtam：一种经济高效且准确的rgb-d跟踪和绘图系统》（2017 IEEE/RSJ智能机器人和系统国际会议（2017）），6756-6763
[6] DeTone，D。；Malisiewicz，T。；Rabinovich，A.，自我改进视觉里程计（2018）
[7] DeTone，D。；Malisiewicz，T。；Rabinovich，A.，《Superpoint：自监督兴趣点检测和描述》，（IEEE计算机视觉和模式识别研讨会会议记录（2018）），224-236
[8] 恩格尔，J。；科尔顿，V。；Cremers，D.，直接稀疏里程计，IEEE Trans。模式分析。机器。智力。，40, 611-625 (2018)
[9] 恩格尔，J。；Schöps，T.等人。；Cremers，D.，Lsd-slam：大规模直接单目大满贯，（《欧洲计算机视觉会议论文集》（2014）），834-849
[10] 恩格尔，J。；Stückler，J。；Cremers，D.，《带立体摄像机的大尺度直拍》（2015 IEEE/RSJ智能机器人和系统国际会议（2015）），1935-1942年
[11] Farnebäck，G.，基于多项式展开的双帧运动估计，（斯堪的纳维亚图像分析会议（2003）），363-370·Zbl 1040.68627号
[12] 高，X。；张，T。；刘，Y。；Yan，Q.R.，《视觉SLAM从理论到应用的十四堂课》（2017）
[13] 盖革，A。；Lenz，P。；斯蒂勒，C。；Urtasun，R.，《视觉与机器人：基蒂数据集》，《国际机器人》。研究，32，1231-1237（2013）
[14] He，K。；张，X。；任，S。；Sun，J.，图像识别的深度剩余学习，（IEEE计算机视觉和模式识别会议论文集（2016）），770-778
[15] 科尔，C。；Sturm，J。；Cremers，D.，rgb-D摄像机的密集视觉冲击，（2013 IEEE/RSJ智能机器人和系统国际会议（2013）），2100-2106
[16] 金玛，D.P。；Ba，J.，Adam：随机优化方法（2014）
[17] Lieb，D。；Lookingbill，A。；Thrun，S.，《使用自主学习和反向光流的自适应道路跟踪》，（机器人：科学与系统（2005）），273-280
[18] 刘，P。；吕，M。；国王一世。；Xu，J.，Selflow:光流的自监督学习，（IEEE计算机视觉和模式识别会议论文集（2019）），4571-4580
[19] Long，J。；谢尔哈默，E。；Darrell，T.，用于语义分割的全卷积网络，（IEEE计算机视觉和模式识别会议论文集（2015）），3431-3440
[20] Lowe，D.G.，《不同尺度关键点的独特图像特征》，《国际计算机杂志》。视觉。，60，91-110（2004年）
[21] 卢卡斯，B.D。；Kanade，T.，一种迭代图像配准技术及其在立体视觉中的应用，Ann.Phys。(1981)
[22] Mahendran，A。；休利斯，J。；Vedaldi，A.，《用于自主学习的跨像素光流相似性》（亚洲计算机视觉会议（2018）），99-116
[23] 梅斯特，S。；胡尔，J。；Roth，S.，Unflow：双向普查损失下的光流无监督学习（第三十二届AAAI人工智能会议（2018））
[24] Menze，M。；Geiger，A.，自动车辆的对象场景流，（IEEE计算机视觉和模式识别会议论文集（2015）），3061-3070
[25] Mikolajczyk，K。；Schmid，C.，局部描述符的性能评估，IEEE Trans。模式分析。机器。智力。，27, 1615-1630 (2005)
[26] 穆尔·阿尔塔尔，R。；Tardós，J.D.，《Orb-slam2:单目、立体和rgb-D相机的开源slam系统》，IEEE Trans。机器人。，33, 1255-1262 (2017)
[27] 小野，Y。；特鲁尔斯，E。；Fua，P。；Yi，K.M.，Lf-net：从图像中学习局部特征，（神经信息处理系统进展（2018）），6234-6244
[28] 任，Z。；严，J。；镍，硼。；刘，B。；杨，X。；Zha，H.，光流估计的无监督深度学习，（第三十一届AAAI人工智能会议（2017））
[29] Rosten，E。；Drummond，T.，《高速角点检测的机器学习》（2006年欧洲计算机视觉会议论文集），430-443
[30] Rublee，E。；拉博德，V。；科诺里奇，K。；Bradski，G.R.，《Orb：筛选或冲浪的有效替代品》，（IEEE计算机视觉国际会议论文集，第11卷（2011）），2
[31] 施密德，C。；莫尔，R。；Bauckhage，C.，兴趣点检测器的评估，国际计算杂志。视觉。，37, 151-172 (2000) ·Zbl 0985.68625号
[32] 施罗夫，F。；Kalenichenko，D。；Philbin，J.，Facenet:人脸识别和聚类的统一嵌入，（IEEE计算机视觉和模式识别会议论文集（2015）），815-823
[33] Shi，W。；卡巴列罗，J。；Huszár，F。；托茨，J。；艾特肯，A.P。；Bishop，R。；Rueckert，D。；Wang，Z.，使用高效亚像素卷积神经网络的实时单图像和视频超分辨率，（IEEE计算机视觉和模式识别会议论文集（2016）），1874-1883
[34] Simo-Serra，E。；Trulls，E。；费拉兹，L。；科基诺斯，I。；Fua，P。；Moreno-Noguer，F.，深度卷积特征点描述符的判别学习，（IEEE计算机视觉国际会议论文集（2015）），118-126
[35] 斯特姆，J。；Engelhard，N。；恩德雷斯，F。；伯加德，W。；Cremers，D.，rgb-D slam系统评估基准，（2012 IEEE/RSJ智能机器人和系统国际会议（2012）），573-580
[36] Tang，J。；埃里克森，L。；福克森，J。；Jensfelt，P.，Gcnv2:实时满贯的有效对应预测，IEEE Robot。自动。莱特。，3505-3512 (2019)
[37] Tang，J。；福克森，J。；Jensfelt，P.，摄像机运动估计的几何对应网络，IEEE机器人。自动。莱特。，3, 1010-1017 (2018)
[38] Tateno，K。；Tombari，F。；莱娜，我。；Navab，N.，Cnn-slam：具有学习深度预测的实时密集单目撞击，（IEEE计算机视觉和模式识别会议论文集（2017）），6243-6252
[39] Verdie，Y。；Yi，K。；Fua，P。；Lepetit，V.，Tilde:一种时间不变的学习检测器，（IEEE计算机视觉和模式识别会议论文集（2015）），5279-5288
[40] 惠兰，T。；萨拉斯·莫雷诺，R.F。；格洛克，B。；Davison，A.J。；Leutenger，S.，《弹性融合：实时密集撞击和光源估计》，国际机器人杂志。第35号决议，1697-1716（2016）
[41] Yang，Y。；Loquercio，A。；斯卡拉穆扎，D。；Soatto，S.，通过上下文信息分离进行无监督运动目标检测，（IEEE计算机视觉和模式识别会议论文集（2019）），879-888
[42] Yang，N。；王，R。；Stuckler，J。；Cremers，D.，《深度虚拟立体里程表：利用深度预测进行单目直接稀疏里程表》，（欧洲计算机视觉会议论文集（2018）），817-833
[43] Yi，K.M。；Trulls，E。；Lepetit，V。；Fua，P.，Lift：学习不变特征变换（2016年欧洲计算机视觉会议论文集），467-483
[44] 尹，Z。；Shi，J.，Geonet：密集深度、光流和相机姿态的无监督学习（IEEE计算机视觉和模式识别会议论文集（2018）），1983-1992
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。