DeepVO论文笔记

最新推荐文章于 2024-08-16 07:48:08 发布
最新推荐文章于 2024-08-16 07:48:08 发布
阅读量3.4k 收藏 6
点赞数 1
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/fan_nlnl/article/details/80864738
版权
本文探讨了深度学习应用于视觉里程计的方法，通过CNN提取高阶特征，实现单目摄像头的轨迹估计，挑战传统检测-跟踪的VO方法。实验表明，网络对环境的先验知识对其性能有显著影响，预训练网络并不一定能提升里程计的准确性。未来研究方向包括结合RNN和生成网络，以及利用跟踪特征点作为先验信息。
摘要由CSDN通过智能技术生成
摘要
    深度学习还没有进入到自动导航领域，比如VO（visual odometry 视觉里程计）、SfM（structure from motion运动结构）、SLAM（simultaneous localization and mapping实时定位制图）。 本文提出了一种单目视觉里程计的深度学习方法，取代了以前的检测-跟踪的方法。


介绍
    在机器人导航领域，里程计被定义为利用不同的动作传感器得来的混合数据实时预测机器人的动作。  这对于机器人的路程规划与控制很重要。  传统的IMU/GPS。
    标准视觉里程计的方法一般有如下步骤：
    1》两个事件的图像获得
    2》图像去畸变
    3》两个图像特征提取SURF，ORB，FAST等
    4》两张图像特征跟踪获取光流
    5》跟踪光流和相机参数估计动作

本文的贡献：
    1》使用深度学习进行视觉里程计，使用CNN获取高阶特征，估计两张连续场景间的转换重建汽车轨迹
    2》使用单目摄像机进行估计，这说明只使用了几何方法。


相关工作
最低0.47元/天 解锁文章
fan_nlnl
关注
论文笔记_S2D.45_DeepVO: 基于深度循环卷积神经网络的端到端视觉里程计
惊鸿一博
11-05 857
1. 文章以及整体结构 文章：DeepVO: Towards End-to-End Visual Odometry with Deep Recurrent Convolutional Neural Networks（基于深度循环卷积神经网络的端到端视觉里程计） 作者：Sen Wang, Ronald Clark, Hongkai Wen and Niki Trigoni 来源：ICRA2017 deepvo网络结构如下：CNN+RNNs （单目VO） CNN网络的结构：RNNs网络的结构： （学习完理解
论文笔记_SLAM_Visual SLAM and Structure from Motion in Dynamic Environments A Survey
惊鸿一博
02-22 2512
论文介绍 出处：ACM Computing Surveys (2区) 年份：2018 作者：MUHAMAD RISQI U. SAPUTRA, ANDREW MARKHAM, and NIKI TRIGONI, Department of Computer Science, University of Oxford 大纲： 如何执行重建(鲁棒的视觉) 如何分割和跟踪动态对象 如何实现关...
论文阅读《DeepVO: Towards End-to-End Visual Odometry with Deep Recurrent Convolutional Neural Net》
Ah丶Weii
10-11 1494
一、重点单词理解 elaborate 困难的 facilitates 促进 scheme 方案 formulation 配方
DeepLung: 自动肺结节检测和分类的深度3D双路径网络
最新发布
gitblog_00625的博客
08-16 579
DeepLung: 自动肺结节检测和分类的深度3D双路径网络 DeepLungWACV18 paper "DeepLung: Deep 3D Dual Path Nets for Automated Pulmonary Nodule Detection and Classification"项目地址:https://gitcode.com/gh_mirrors/dee/DeepLung 1. 项...
VSLAM--DeepVIO
L_smartworld的博客
08-12 1405
DeepVIO简单介绍（做了什么工作） 以上为DeepVIO的整体框架图，简单介绍下它和传统VIO的区别及它里边的主要贡献。 DeepVIO与传统VIO区别 以VINS-mono为例，传统VIO的架构为输入camera图像数据及IMU数据，分别对上述两种数据建模，利用ICP计算图像间的位姿信息，利用预积分计算IMU的状态信息。 ...
Depth-VO-Feat
W_Tortoise的博客
09-20 1099
Unsupervised Learning of Monocular Depth Estimation and Visual Odometry with Deep Feature Reconstruction 要求 此代码使用 Caffe 在 Python 2.7，CUDA 8.0 和 Ubuntu 14.04 上进行了测试。 Caffe：将./caffe中所需的 layers 添加到您...
深度视觉里程计DeepVO(ICRA)的运行笔记
qq_36635888的博客
03-21 3086
最近运行了github上的一个deepvo代码，在此做一个学习笔记。 1. 文章以及整体结构 文章：DeepVO: Towards End-to-End Visual Odometry with Deep Recurrent Convolutional Neural Networks（基于深度循环卷积神经网络的端到端视觉里程计） 作者：Sen Wang, Ronald Clark, Hongkai...
论文笔记_S2D.55_2019_SLAM综述_Huang B. A Survey of Simultaneous Localization and Mapping
惊鸿一博
12-12 1677
目录 基本情况 前言 一、概述 二、Lidar SLAM 激光雷达传感器 激光雷达SLAM系统（Lidar SLAM System） 2D SLAM 3D SLAM 深度学习与激光雷达 挑战与未来 成本和适应性 弱纹理和动态环境 敌对的传感器攻击 三、Visual SLAM 视觉传感器 视觉SLAM系统（Visual SLAM System） 稀疏视觉SLAM 半稠密视觉SLAM 稠密视觉SLAM 视觉惯性里程计SLAM 深度学习与视觉SLAM 挑战与未来 雷达
机器学习笔记 - 同步定位与地图构建 (SLAM)
学以致用 知行合一
03-18 3873
SLAM(simultaneous localization and mapping)，也称为CML (Concurrent Mapping and Localization), 即时定位与地图构建，或并发建图与定位。 视觉 SLAM 不涉及任何特定的算法或软件。它指的是确定传感器相对于其周围环境的位置和方向的过程，同时映射该传感器周围的环境。 SLAM 并不是真正的一种技术产品或单一系统。 相反，同时定位和映射是一个更广泛的概念，具有近乎无限的可变性。许多不同算法可以应用到SLAM......
配置运行DeepVO-pytorch
crazyfox的博客
10-25 1265
配置运行DeepVO-pytorch1 下载东西2 配置环境 1 下载东西 包括代码，kitti数据集，kitti位姿真值，预训练模型 2 配置环境 (1) 若没有需要先安装anaconda 可以更改清华镜像 (2) 创建conda虚拟环境 conda create --name py36-for-deepvo python=3.6 (3) 激活环境 source activate py36-for-deepVO （4）安装pytorch 0.4.0 先查看cuda版本 cat /usr/local/c
DeepVO：通过深度循环卷积神经网络实现端到端的视觉里程计
huarzail的专栏
07-16 1455
使用深度递归卷积神经网络(RCNNG)，提出了一种新颖的端到端单目VO的框架。由于它是以端到端的方式进行训练和配置的，因此它可以直接从一系列原始的RGB图像（视频）中计算得到姿态，而无需采用任何传统VO框架中的模块。
【论文阅读】DeepVO: Towards End-to-End Visual Odometry with Deep Recurrent Convolutional Neural Networks
博客标题不能为空我也没办法
02-23 1221
端到端的视觉里程计，采用CNN提取特征，使用LSTM进行位姿推理
深度学习神经网络学习笔记-多模态方向-11-Deep Voice: Real-time Neural Text-to-Speech
CSDNXXCQ的博客
05-23 1357
本文提出Deep Voice，一种完全由深度神经网络构建的生产质量文本到语音系统。Deep Voice为真正的端到端神经语音合成奠定了基础。该系统由五个主要的构建模块组成:用于定位音素边界的分割模型、字素到音素的转换模型、音素时长预测模型、基频预测模型和音频合成模型。对于分割模型，我们提出了一种使用连接时序分类(CTC)损失的深度神经网络执行音素边界检测的新方法。对于音频合成模型，我们实现了WaveNet的一个变体，比原始模型需要更少的参数，训练速度更快。
DeepVO：基于深度循环卷积神经网络的端到端视觉里程计
程序员，他们想的是什么?他们想的永远都是技术，他们崇尚的也永远都是技术。
05-31 390
每天一分钟，带你读遍机器人顶级会议文章 标题：DeepVO: Towards End-to-End Visual Odometry with Deep Recurrent Convolutional Neural Networks 作者：Sen Wang, Ronald Clark, Hongkai Wen and Niki Trigoni 来源：ICRA 2017 编译：蔡纪源 播音员： 王肃 欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权 摘要 今天介绍的文章是“DeepVO: Tow
DeepVO: Towards End-to-End Visual Odometry with Deep Recurrent Convolutional Neural Networks--Sen Wa
xu.hyj
03-06 1077
[1] Wang S , Clark R , Wen H , et al. DeepVO: Towards end-to-end visual odometry with deep Recurrent Convolutional Neural Networks[J]. IEEE, 2017. 针对以往的使用深度学习解决视觉里程计中，只在帧间预测pose，没有充分利用连续帧的问题，本文使用CNN+RCNN(LSTM)实现了充分利用序列帧的信息，实现了很好的效果。 1、整体结构2、CNN部分3、RNN部分.
神经网络 | DeepVO:Towards End-to-End Visual Odometry
尘世冰封的专栏
03-28 2303
博主github：https://github.com/MichaelBeechan 博主CSDN：https://blog.csdn.net/u011344545 DeepVO代码：链接：https://pan.baidu.com/s/1bSNuZaj0KouXAXlhM4XK_g 提取码：wpzz 论文：http://www.cs.ox.ac.uk/files/9026/DeepVO.pdf ...
UnDeepVO
lebhoryi
05-29 1447
0x00 大纲 paper: "UnDeepVO: Monocular Visual Odometry through Unsupervised Deep Learning " https://arxiv.org/abs/1709.06841 code: https://github.com/drmaj/UnDeepVO 参考：UnDeepVO：基于非监督深度学习的单目视觉里程计 https:...
每天一篇313/365 UnDeepVO: Monocular Visual Odometry through Unsupervised Deep Learning补
流浪机器人的博客
01-14 808
UnDeepVO: Monocular Visual Odometry through Unsupervised Deep Learning 摘要 本文提出了一种新的单目视觉里程计（VO）系统UnDeepVO。uneepvo能够利用深度神经网络估计单目相机的六自由度姿态和景深。该方法有两个显著特点：一是无监督的深度学习方案，二是绝对尺度恢复。具体地说，我们使用立体图像对来训练不可重复性，但是使用连...
deepvo视觉里程计
01-17
DeepVO是一种基于人工智能的视觉里程计模型，它能够根据图像序列准确地估计相机的运动轨迹。视觉里程计是指通过计算相邻图像之间的相对位移，从而推测出相机或者车辆的运动轨迹。传统的视觉里程计方法通常需要进行特征提取、匹配和三角化等步骤，而DeepVO则使用了深度学习算法，可以直接从图像中直接学习运动模式，无需显式地提取特征。DeepVO主要由两个模块组成：视觉前端和运动估计网络。 首先，视觉前端处理图像数据，它将输入的连续图像序列转换成特征序列，这些特征可以在后续的运动估计网络中使用。视觉前端采用了卷积神经网络（CNN）结构，通过多个卷积和池化层提取图像的空间特征。这些特征具有很强的判别性，有助于准确估计相机的运动。 然后，在运动估计网络中，利用长短期记忆网络（LSTM）进行运动估计。LSTM可以有效地捕捉图像序列的时序信息，有助于提高视觉里程计的准确性。运动估计网络的输入是经过视觉前端处理的图像特征序列，通过多层LSTM网络进行运动估计，并输出相机的位置和姿态。 DeepVO的训练使用了监督学习的方法，通过将真实的相机轨迹作为标签数据来训练网络模型。在训练过程中，DeepVO通过最小化真实轨迹和预测轨迹之间的差异来优化网络参数。经过大量的训练，DeepVO可以准确地估计相机的运动，并在实际应用中具有较好的性能。 总之，DeepVO是一种利用深度学习算法进行视觉里程计的方法。它通过视觉前端和运动估计网络结合，能够有效地从图像序列中学习相机的运动模式，具有较高的精度和鲁棒性。它在自动驾驶、机器人导航等领域具有广泛的应用前景。
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
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