svo在初始化地图点时，有更大的深度不确定性，图1a由于有更大的极线搜索范围，导致了错误的特征匹配这篇论文提出了一个新的地图点初始化方法，基于单图像深度预测神经网络的深度先验（以预测的深度为中心将有更小的方差），因此对应特征点的识别的不确定性减小（如图1b）。由于更好的特征匹配和深度不确定的减小，地图点的深度将会更快的收敛svo算法的综述略改进的地图点初始化cnn-svo能够获得更好的均值估计和更小的初始方差。给定一系列三角测量的深度，深度滤波器的作用是把好的测量从坏的测量中分离出来：好的测量.
svo在初始化地图点时，有更大的深度不确定性，图1a由于有更大的极线搜索范围，导致了错误的特征匹配
这篇论文提出了一个新的地图点初始化方法，基于单图像深度预测神经网络的深度先验（以预测的深度为中心将有更小的方差），因此对应特征点的识别的不确定性减小（如图1b）。由于更好的特征匹配和深度不确定的减小，地图点的深度将会更快的收敛
svo算法的综述
略
改进的地图点初始化
cnn-svo能够获得更好的均值估计和更小的初始方差。
给定一系列三角测量的深度，深度滤波器的作用是把好的测量从坏的测量中分离出来：好的测量是关于真实深度的正态分布，坏的测量分布在
那些给定的三角逆深度测量值对于相同的特征，在svo中使用Gaussian + Uniform mixture对这些测量值建模
where ρi is the true inverse depth, τi2 the variance of the
inverse depth, and γi the inlier ratio.
假设这些逆深度测量值是独立的
逆深度的后验估计能够被计算：深度的
3881
535
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
