PoGO-Net：使用图神经网络进行姿势图优化（ICCV 2021）

已于 2022-05-06 15:12:01 修改
阅读量576 收藏 1
点赞数
分类专栏： 3D视觉从入门到精通 文章标签： 算法 大数据 计算机视觉 神经网络 机器学习
于 2022-05-02 00:00:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Yong_Qi2015/article/details/124535605
版权
PoGO-Net是一种新型的位姿图优化方案，利用图神经网络处理相机姿态估计任务。该方法通过集成去噪层解决异常边缘问题，并在多个旋转平均的基础上进行相机绝对位姿的回归。PoGO-Net端到端训练，实现在大规模场景中实时鲁棒的性能，优于现有方法。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

PoGO-Net: Pose Graph Optimization with Graph Neural Networks

李欣怡 * Magic Leap，美国加利福尼亚州桑尼维尔xinli@magicleap.com

Haibin Ling † 美国纽约州斯托尼布鲁克石溪大学 hling@cs.stonybrook.edu

链接：https://www3.cs.stonybrook.edu/~hling/publication/PoGO-Net-21.pdf

摘要

准确的相机位姿估计或全局相机重定位Structure-from-Motion (SfM) 和 SLAM 系统的核心组件。给定成对的相对的相机位姿，位姿图对其进行优化（PGO），这包括到求解一组优化的全局一致的相机的绝对位姿。在这项工作中，我们提出了一种由图神经网络 (GNN) 驱动的新型 PGO 方案，即 PoGO-Net，利用multiple rotation averaging (MRA) 进行相机的绝对位姿回归。具体来说，PoGO-Net 将有噪声的视图作为输入，其中节点和边被设计为对几何约束和局部图

了解本专栏 订阅专栏 解锁全文 超级会员免费看
PoGO-Net：利用图神经网络优化姿势图的编程方法
ScriptCharm的博客
08-13 121
PoGO-Net是一种基于图神经网络的方法，它通过图卷积网络（GCN）和时空图卷积网络（STGCN）相结合，实现了对姿势图优化的任务。该方法的基本思想是将姿势估计问题建模为一个图优化问题，并利用图神经网络对图进行学习和优化。
【论文笔记1】：Pose Graph Optimization for Unsupervised Monocular Visual Odometry
weixin_43518352的博客
10-15 1571
论文作者：Yang Li1, Yoshitaka Ushiku1 and Tatsuya Harada1,2 论文来源：ICRA 2019 关键词：单目视觉里程计、滑窗位姿图、KITTI里程表数据集 摘要 基于无监督学习的单目视觉里程计（VO），最近因其潜在的无标签学习能力以及对相机参数和环境变化的鲁棒性而备受关注。但是，由于缺少漂移校正技术，在大规模里程计估计方面的精确度仍远不及基于几何的方法。...
基于卷积神经网络的深度图姿态估计算法研究
03-07
随着深度相机的应用，三维场景的重建越来越简单、快速。从单视角的深度场景图像中检索 出物体还是比较困难，特别是物体的姿态估计。提出了一种基于卷积神经网络的深度图像姿态估计 算法。 该算法采用了回归估计来实现姿态的估计。 通过 3D 模型合成大量不同姿态的深度图像样本，从而解决回归估计需要稠密采样的训练数据问题。对于不同类别的物体，分别用线性回归估计来拟 合姿态函数。 在基于 LeNet-5 模型上修改了卷积神经网络的结构，使得该网络适用于回归估计。实验结果表明：我们的方法取得了平均误差约 4.3°的估计结果，优于其他文献的方法。
Pose Graph Optimization.rar
11-04
麻省理工大学开源数据集，格式为.g2o文件，包含2D Pose Graph Optimization与3D Pose Graph Optimization数据，可以使用ceres 示例程序pose_graph运行
位姿图优化(Ceres&G2O&GTSAM)
热门推荐
lovely_yoshino的博客
02-21 1万+
作为SLAM中常用的方法，其原因是因为SLAM观测不只考虑到当前帧的情况，而需要加入之前状态量的观测。就比如一个在二维平面上移动的机器人，机器人可以使用一组传感器，例如车轮里程计或激光测距仪。从这些原始测量值中，我们想要估计机器人的。为了降低问题的计算复杂度，。具体来说，。边缘是源自原始传感器测量值的虚拟测量值，例如通过集成原始车轮里程计或对齐从机器人获取的激光范围扫描。对上图的具体描述如下。
pose-graph-optimization:使用Ceres Solver进行2D姿态图优化
05-13
姿势图优化 使用Ceres Solver进行2D姿态图优化的示例代码。 依存关系 本征3.3或更高版本 Ceres Solver 1.12.0或更高版本 Gflags 2.2.0或更高版本 带有matplotlib的Python 建造 $ git clone https://github.com/shinsumicco/pose-graph-optimization.git $ cd pose-graph-optimization $ mkdir build $ cd build $ cmake .. $ make -j4 优化 $ cd pose-graph-optimization/build $ bin/se2_optimize --filename ../sample/manhattan.g2o Number of poses: 3500 Number of constraints
PoGO-Net: 图神经网络驱动的相机姿态估计与优化
本文主要探讨了基于图神经网络的相机姿态估计与优化技术，即PoGO-Net。在计算机视觉和机器人领域，精确的相机位姿估计对于运动恢复结构（SfM）和同时定位与建图（SLAM）系统至关重要。传统方法如PGO（姿态图优化）...
iitc-ce-pogo-s2:AlfonsoML的PoGO Tools的更快IITC-CE分支
05-24
PoGO工具，PoGOHWH版 这是用于的原始 IITC插件的分支。 此fork的目的是通过移回本机Leaflet标记而不是div图标中的自定义SVG来使此插件更快。 最初的附加程序甚至使最快的机器停止运行，并且由于这些SVG图标的开销而...
cocos-pogo-template:在 PogoScript 中构建 cocos2d-js 游戏的模板
06-30
Cocos Pogo 模板 使用在构建游戏的模板。 设置 这个仓库中的文件并不是一个完整的项目，而是用来覆盖cocos命令行工具生成的默认文件。 并安装 cocos2d-js cocos new projectName -l js rm -rf projectName/src ...
simple-pogo-image-collection-maker:创建用于交易或其他目的的pogo图片集合
03-29
创建用于交易或其他目的的pogo图片集合 部署步骤： 更新应用程序版本 npm运行包 gcloud应用部署 去做： 添加性别排序 延伸：增加按口袋妖怪名字搜索的能力 查看iPhone的pwa并对其进行测试 寻找逐步加载图像的更好...
论文精读 | slam中姿态估计的图优化方法比较
soaring_casia的专栏
11-23 3884
一、 摘要 对于位置环境中的自主导航问题，同步定位与建图(Simultaneous localization and mapping, SLAM)是一个非常重要的工具框架。根据SLAM字面含义可以得知，获取正确的环境表征和估计机器人正确的运动轨迹这两点在SLAM问题中至关重要。在解决优化估计问题上表现SOTA方法的主流思路是基于图优化的最小二乘，比较流行的算法框架有g2o、Ceres、GTSAM、SE-Sync等。作者这篇论文描述了这些方法并进行了对比测试。 二、 总体介绍 在SLAM领域刚刚起步的时
pose graph优化总结
ziliwangmoe的博客
07-03 3245
描述： pose优化相比BA优势在于： 更快，也就是能处理更大规模的数据 可以做按层级来优化，也就是可以处理超大规模的数据，并且可以根据更新量的特点，只做某个层级的优化。 可以修正更大的便宜修正 全局优化的步骤为： 通过点云匹配，把各个submap通过sim3整体变换到近似的位置。为pose优化得到初值 通过frame到点云的匹配，得到frame之间的sim3变换。做pos...
VSLAM(8)：后端---Pose Graph优化和Factor Graph优化
最新发布
zhangzhixin1998的博客
07-25 1051
前一章主要介绍了BA图优化的后端方法，这种方法可以同时优化相机位姿和路标点位置。这里的路标点其实就是特征点，往往数量巨大，对存储和计算都会带来巨大的负担，并且会不断累加，导致在大场景下无法实时化。特征点的数量远大于位姿节点的数量，一个关键帧的特征点往往会有几百个关键帧。对于BA优化的方法，即使利用稀疏性，达到实时也只能有几万个点。那么为了解决实时性的问题，可以适当丢弃一些历史数据，想Sliding Window（滑动窗口法）；
论文解读 Sparse Pose Graph Optimization in Cycle Space
weixin_47658743的博客
12-01 392
Sparse Pose Graph Optimization in Cycle Space背景 TRO2021高被引论文，三号作者非常牛，是Gmapping和G2O的作者，这次又搞了一个圆空间的PGO，全都用自己的名字GG命名…… 背景 在图优化算法中，大多图的节点数非常之多，和边的数量基本成线性关系，但是实际上，图优化大多数场景下是用来解决回环检测的问题。回环检测一般触发的次数非常有限，类似于大炮打蚊子的感觉，因此，作者希望在圆空间上进行优化。 一般SLAM问题中的图算法都是高度稀疏的，但是在一直以来，稀
ceres学习笔记5——机器人2D/3D位姿图优化pose_graph_2d/3d
qq_42731705的博客
10-12 2443
1. 2D位姿图优化pose_graph_2d.cc 1.1.问题描述 注意： 上面的图片中官网教程写的没有问题！因为官网的教程写的确实是非常细心！注意公式中是Ra^T，Ra确实是节点坐标系到世界坐标系的旋转矩阵，但是由于pb-pa是世界坐标系下面的位置表示，而hat_pab是在A的坐标系下表示的b相对于a的位姿，所以最后做减法的时候需要全部转换到a的坐标系下表示。由于旋转矩阵是正交矩阵，即 R的逆等于R的转置。所以上面的公式中使用的是R的转置，也就是R的逆，也就是世界坐标系到机器人坐标系之间的变换关系
Bundle Adjustment vs Pose-graph Optimization
weixin_30617561的博客
04-05 230
摘自 "Combining Feature-based and Direct Methods for Semi-dense Real-time Visual SLAM from Stereo Cameras Nicola Krombach (Master's thesis) 2016Universität Bonn"第16, 17页。 PDF 　　　　　　　 　　　　　　　　　　 B...
【论文阅读】Semi-Dynamic Hypergraph Neural Network for 3D Pose Estimation，IJCAI-20
shuijiaobuzhundahulu的博客
08-08 667
一、摘要：同时利用人体树形结构和链式结构创建超图，进而使用超图卷积进行三维人体姿态估计。 二、简介：基于图像的三维人体姿态估计需要大量标注信息和计算资源，基于2D pose的直接回归方法缺乏图像线索；近年基于图卷积GCN的方法仅考虑相邻关节点的信息，但人体的链式结构使得非相邻关节点也有重要信息。因此，用超图重新表示人体。 贡献点： （1）将人体表示为超图，包括固定关节点关系的静态超图和根据输入2D pos调整的半动态超图。 （2）提出依据关节点之间距离大小，进行人体超图的构建方式。 （3）实验结果
科普SLAM之位姿图优化建图
weixin_39504250的博客
06-20 5384
第二章 第十三讲 位姿图优化建图 本讲重点 位姿图优化建图的基本定义（什么是PGO ？） 位姿图优化建图的研究意义（为什么需要PGO？） 位姿图优化建图的基本原理（PGO如何产生的？） 位姿图优化建图的算法流程（PGO 如何工作的？） 位姿图优化建图的性能改善（如何改善PGO？） 1. 位姿图优化建图的基本定义（什么是PGO ？） ​ 位姿图优化建图（Pose Graph Optimization）是基于最小二乘非线性优化的建图方法；它使用节点-边(Vertex-Edge)位姿图的方式来对于机器人的同
推荐一些视觉SLAM的深度学习方法（上）
喜欢打酱油的老鸟
08-09 1608
最近也看了一些VSLAM综述文章，这里收集一些论文推荐供参考。 1。Deep Direct Visual Odometry 这篇论文把DL模型的姿态估计做为传统方法DSO的初始化。如图 DL 模型架构图如下 基于非监督学习的训练框架如下（同时还有depth估计一起训练） 2。Deep Virtual Stereo Odometry: Leveraging Deep Depth Prediction for Monocular Direct Sparse Odometry 这也是在DS
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

3Ｄ视觉工坊

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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