Geometric Correspondence Network for Camera Motion Estimation

论文：
V1：Geometric Correspondence Network for Camera Motion Estimation
Jiexiong Tang, 2018, IEEE ROBOTICS AND AUTOMATION LETTERS
V2：GCNv2: Efficient Correspondence Prediction for Real-Time SLAM
github：https://github.com/jiexiong2016/GCNv2_SLAM

主要思想：
用CNN学习特征点和描述子的提取，利用RGB-D深度信息、相机真实相对位姿，通过3D-2D投影关系进行监督学习。
V1版本采用CNN+RCNN得到原图尺寸（resize成ResNet可接受大小320*240）中每个像素点为keypoint的概率，以及每个像素点的描述子向量（256*1）
在V2版本中借鉴SuperPoint思想，简化网络结构，并构建与ORBSLAM2相同的二进制描述子来加速匹配，并结合ORBSLAM2，替换掉特征提取部分，构建了TX2上实时的GCNv2-SLAM.

做法：
V1：

1. 输入：两张有重叠部分的图像，输出：图像中每个像素是特征点的概率和像素点的描述子向量。

2. 监督信息的产生
   训练数据：
   通过Harris角点对A图像进行检测，为了生成足够的特征点，运行两次检测过程，第一次用全图进行检测，第二次将图像分割成4*4的小块进行检测。
   对于A图中检测到的角点，利用AB图之间的相对位姿关系，进行warp
   y i ∗ = π − 1 (