【论文系列】读《Semantics-aware Visual Localization under Challenging Perceptual Conditions》

最新推荐文章于 2023-08-23 10:43:32 发布

Min_20

最新推荐文章于 2023-08-23 10:43:32 发布

阅读量981

点赞数

分类专栏： SLAM领域论文系列

本文链接：https://blog.csdn.net/jucilan3330/article/details/75722061

版权

本文探讨了Tayyab Naseer等人合著的论文，该论文提出了一种利用带有上卷积的FAST-Net进行鲁棒视觉定位的方法，尤其在恶劣天气和动态环境中。通过学习二元分割和特征聚合，他们的方法在各种数据集上的位置识别优于现成的深度网络特征。研究中创建了一个针对动态和感知变化城市环境的粗略标注语义显著性数据集，并展示了14Hz的在线运行速度。主要贡献包括实时语义分割、抑制计算瓶颈的上卷积结构以及使用稀疏随机投影进行特征降维后的余弦距离匹配。

摘要由CSDN通过智能技术生成

今日读由Tayyab Naseer, Gabriel L, Oliveira Thomas,Brox Wolfram Burgard四人合著的《Semantics-aware Visual Localization under Challenging Perceptual Conditions》。

主要一个亮点是利用了有Up-convolutional的FAST-Net. 得到了一个结合突出区域的特征和现有的全局描述形成的新的更鲁棒的场景描述子，使得长时间的用以机器人位置定位的视觉导航方法，在动态环境下更鲁棒。

up-convolutional Networks 这种结构可以在分类网络中利用概率对每一个分类赋予权重，准确来说，对于“geometrically stable image region”才是作者focus的（本文主要针对的是雨雪天气以及其他动态的因素影响下的视觉定位）

本文的主要几点贡献：

“ – We present a learning approach for robust binary segmentation and feature aggregation of deep networks.

– We show that our method outperforms off-the-shelf features from deep networks for robust place recognition over a variety of datasets. Our approach runs online at 14 Hz on a single GPU.

– We present a coarsely labeled dataset for semantic saliency in dynamic and perceptually changing urban environments which captures long-term weather, seasonal, and str