论文笔记-深度估计(7)-CNN-SLAM Real-time dense monocular SLAM with learned depth prediction

本文介绍了CVPR2017的CNN-SLAM方法,该方法结合CNN预测的深度图与SLAM,实现实时稠密单目SLAM。通过关键帧筛选、CNN预测深度和语义分割、束调整优化,构建三维地图。主要贡献在于不确定性传播框架,优化深度估计并融合到全局场景中,同时进行语义地图构建。
摘要由CSDN通过智能技术生成

CVPR2017_CNN-SLAM Real-time dense monocular SLAM with learned depth prediction

关键词:基于CNN的单张图深度估计,语义SLAM,半稠密的直接法SLAM

这里写图片描述

作者提出了一个利用CNN结合SLAM的应用,其SLAM过程如上图,具体解释如下:

  • 作者首先筛选出关键帧,在关键帧上用训练好的CNN网络[1]来预测单帧图深度值得到深度图,并以此深度图作为SLAM架构先验深度。同时在关键帧上用训练好的另一个CNN网络来做语义分割
  • 随后像直接法SLAM的一样做BA(Bundle Adjustment),用高斯牛顿法,基于pose graph方法优化得到pose,和普通的半稠密 SLAM过程基本一样。
  • 将深度图和语义分割图融合进全局已有的场景深度图(实际上是三维地图点集合了)和三维语义分割图中

作者的主要贡献是提出一个不确定性传播框架,将新产生的深度融合进已有的场景深度中,并refine CNN网络得到的深度(融合和普通深度融合比较相似,但refine过程和《Semi-densevisualodom- etry for a monocular camera》相似)。

此过程中,每个关键帧带一个深度图,一个(深度)不确定图(之所以称为图是因为不确定值与深度图的每个值一一对应),一个pose。不确定图是由当前关键帧的和最近邻

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值