DeepVO：基于深度循环卷积神经网络的端到端视觉里程计

已于 2023-04-10 09:14:01 修改
阅读量380 收藏 3
点赞数
分类专栏： 传统/深度三维重建MVS系列 深度学习 文章标签： 神经网络 深度学习 计算机视觉
于 2021-05-31 22:03:27 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/m0_51233386/article/details/117430933
版权
DeepVO是一种基于深度循环卷积神经网络的端到端单目视觉里程计方法，无需传统VO框架的多个模块。通过RCNN自动学习特征并隐式建模时序和数据关联，直接从RGB图像序列中估计姿态。在KITTI VO数据集上的实验表明，DeepVO可与最先进的方法相媲美。
摘要由CSDN通过智能技术生成

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: Towards End-to-End Visual Odometry with Deep Recurrent Convolutional Neural Networks”——DeepVO：基于深度循环卷积神经网络的端到端视觉里程计，该文章将发表在ICRA2017。

单目视觉里程计(Visual odometry，VO)是机器视觉领域一项重要的研究问题，目前大多数视觉里程计方法都是基于标准框架开发的，包括特征提取，特征匹配，运动估计，局部优化等模块。尽管其中一些方法已经展现了优越的性能，但通常仍需要精心设计和专门进行微调才能适应不同的任务和环境需求。而且，单目视觉里程计缺失尺度信息，往往需要一些先验知识来恢复绝对尺度估计。

本文使用深度递归卷积神经网络&#x

了解本专栏 订阅专栏 解锁全文 超级会员免费看
R-G-B
关注
专栏目录
订阅专栏
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
11-05 852
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
论文阅读《DeepVO: Towards End-to-End Visual Odometry with Deep Recurrent Convolutional Neural Net》
Ah丶Weii
10-11 1489
一、重点单词理解 elaborate 困难的 facilitates 促进 scheme 方案 formulation 配方
【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 1208
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
DeepVO: Towards End-to-End Visual Odometry with Deep Recurrent Convolutional Neural Networks
weixin_34354945的博客
09-05 689
1、Introduction DL解决VO问题：End-to-End VO with RCNN 2、Network structure a.CNN based Feature Extraction 　　论文使用KITTI数据集。 　　CNN部分有9个卷积层，除了Conv6，其他的卷积层后都连接1层ReLU，则共有17层。 b、RNN based Sequential Mod...
DeepVO: Towards End-to-End Visual Odometry with Deep Recurrent Convolutional Neural Networks--Sen Wa
xu.hyj
03-06 1076
[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.
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 1409
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。
深度学习系列笔记09循环卷积神经网络RNN
三木今天学习了嘛の博客
10-13 2218
如果说卷积神经网络可以有效地处理空间信息， 那么本章的循环神经网络（recurrent neural network，RNN）则可以更好地处理序列信息。 循环神经网络通过引入状态变量存储过去的信息和当前的输入，从而可以确定当前的输出。
三维项目-DeepVO的Pytorch实现-利用深度循环卷积神经网络实现端到端视觉里程计-优质项目实战.zip
最新发布
03-24
《DeepVO的PyTorch实现：深度循环卷积神经网络在视觉里程计中的应用》 在计算机视觉领域，视觉里程计（Visual Odometry, VO）是一项关键技术，它用于估计相机在连续帧间的运动，从而实现对环境的自主导航。DeepVO是...
深度视觉里程计DeepVO(ICRA)的运行笔记
qq_36635888的博客
03-21 3080
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...
deepvoice3基于pytorch
09-11
基于pytorch的T2S工具源码，PyTorch implementation of convolutional networks-based text-to-speech synthesis models: arXiv:1710.07654: Deep Voice 3: Scaling Text-to-Speech with Convolutional Sequence Learning.
自监督深度视觉里程计：连续帧相关性和对抗学习的结合
2851自监督深度视觉里程计王顺凯李飞薛欣 *查 子科严宏斌北京大学机电工程学院机器感知教育部重点实验室-商汤机器视觉联合实验室{李顺凯，飞雪，欣旺顺顺，子科.严}@ pku.edu.cnzha@cis.pku.edu.cn摘要我们提出了一...
配置运行DeepVO-pytorch
crazyfox的博客
10-25 1259
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项目实践-基于ChiWeiHsiao/DeepVO-pytorch版本
huarzail的专栏
07-17 843
​DeepVO方法应该是第一个采用LSTM方法来实现视觉里程计的方法，具有里程碑的意义。由于作者没有开源，感谢很多大佬复现了他的方法，如ChiWeiHsiao复现了DeepVO方法，github上取名为：DeepVO-pytorch。本文对DeepVO-pytorch的部署进行了简单介绍。
每天一篇论文 345/365 D3VO: Deep Depth, Deep Pose and Deep Uncertaintyfor Monocular Visual Odometry
流浪机器人的博客
03-16 2062
D3VO: Deep Depth, Deep Pose and Deep Uncertaintyfor Monocular Visual Odometry 参考 What Uncertainties Do We Need in Bayesian Deep Learning for Computer Vision? 摘要 我们提出了一个新的单目视觉里程测量框架D3V O，该框架在三个层次上利用深度...
20230508 DeepVO: Towards End-to-End Visual Odometry with Deep Recurrent Convolutional Neural Network
panmeng1的博客
05-09 125
基于RCNN提出了一种端到端的单目VO框架，在KITTI VO数据集上进行的大量实验表明，与最先进的方法相比，其性能具有竞争力，验证了端到端深度学习技术可以成为传统VO系统的可行补充。
干货！使用静态模型分类动态点云序列
AITIME_HY的博客
09-26 537
点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入！钟家兴：牛津大学计算机科学系在读博士，师从Andrew Markham教授和Niki Trigoni教授，研究兴趣为机器学习和计算机视觉，主要是场景理解中的三维视觉以及视频分析。场景流是捕捉 3D 点云运动场的强大工具。然而，很难将基于场景流的模型直接应用于动态点云分类，因为点云的非结构化性质使得难以高效和有效地跟踪点对关系。为了在不跟踪点...
深度学习今年来经典模型优缺点总结，包括卷积、循环卷积、Transformer、LSTM、GANs等
JJxiao520的博客
12-01 2085
最后，再介绍一种人工神经网络：前馈神经网络（Feedforward Neural Networks，FNNs）。将一种语言的文本翻译为另一种语言。适用场景：用于序列数据处理，与 LSTM 类似。将图像分类为不同的物体或场景。案例：股票价格预测。适用场景：用于自然语言处理、机器翻译等。将口头语言转换为文本。适用场景：用于生成图像、音频、文本等。将图像分为不同的类别。适用场景：序列建模、自然语言处理等。适用场景：处理长序列和时间序列数据。适用场景：图像分类、目标检测等。适用场景：用于分类和回归任务。
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 1351
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。
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

R-G-B

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