Optimizer类

最新推荐文章于 2024-06-08 09:29:07 发布
最新推荐文章于 2024-06-08 09:29:07 发布
阅读量1.1k 收藏 4
点赞数 2
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/weixin_39373577/article/details/87630969
版权

ORB_SLAM2优化类一共有五个优化
这里先说一下利用g2o的BundleAdjustment优化

  1. 初始化优化器（稀疏，线性，LM算法）
  2. 设置关键帧位姿为顶点
  3. 设置地图点位置为顶点
  4. 对于每一个地图点，将它与能观测到该点的关键帧之间的重投影误差设置为边
  5. 设置完成，进行优化
  6. 更新优化后的关键帧位姿和地图点位置

一、GlobalBundleAdjustemnt（全局优化）：对所有的地图点和关键帧进行优化
全局BA优化在本程序中有两个地方使用：

  • 单目初始化：CreateInitialMapMonocular函数
  • 闭环优化：RunGlobalBundleAdjustment函数
    在这里插入图片描述

二、LocalBundleAdjustment（局部优化）：对某一关键帧的局部地图点集合和局部关键帧进行优化

局部优化在LocalMapping线程处理完队列中最后一个关键帧时使用

  1. 初始化优化器
  2. 将参数关键帧及其共视关键帧位姿设置为顶点
  3. 将能观测到局部地图点的关键帧（不包含步骤2中的关键帧）作为补充关键帧，将其位姿也设置为顶点
  4. 将局部地图点设置为顶点
  5. 对于每一个局部地图点，将它与能观测到该点的关键帧之间的重投影误差设置为边
  6. 进行第一回优化，去除优化后误差较大的顶点，不再优化它们
  7. 进行第二回优化，去除优化后误差较大的顶点
  8. 更新优化后的关键帧位姿和地图点位置

Pos3是新加入的关键帧，其初始估计位姿已经得到。此时，Pos2是和Pos3相连的关键帧，X2是Pos3看到的三维点，X1是Pos2看到的三维点，这些都属于局部信息，共同参与Bundle Adjustment。同时，Pos1也可以看到X1，但它和Pos3没有直接的联系，属于Pos3关联的局部信息，参与Bundle Adjustment，但取值保持不变。Pos0和X0不参与Bundle Adjustment。
因此，参与优化的是下图中红色椭圆圈出的部分，其中红色代表取值会被优化，灰色代表取值保持不变。(u,v)是X在Pos下的二维投影点，即X在Pos下的测量（measurement）。优化的目标是让投影误差最小。
在这里插入图片描述

三、PoseOptimization（位姿图优化）：地图点固定，只对当前帧的位姿进行优化
用于LocalTracking中运动模型跟踪，参考帧跟踪，地图跟踪TrackLocalMap，重定位

  1. 初始化优化器
  2. 设置输入的关键帧位姿为顶点
  3. 设置关键帧对应的地图点与该关键帧的重投影误差（地图点固定，是一元边）为边
  4. 进行4次优化，每次十次迭代，剔除外点和误差过大的边
  5. 更新优化后的关键帧位姿

四、OptimizeEssentialGraph（优化本质图）：所有的关键帧都是顶点，但边只是进行了一部分边的优化
用于闭环检测Sim3调整后优化

  1. 初始化优化器
  2. 将所有关键帧的位姿设置为顶点
  3. 某一帧，因为有闭环而新产生了一些跟他相连的关键帧，在该帧与这些关键帧之间建立边
  4. 某一帧，找出他的父关键帧，建立二者之间的边
  5. 某一帧，如果他有与他匹配的闭环帧，在二者之间建立边
  6. 某一帧，找出与它连接权重大于一定值的关键帧，建立该帧与这些帧之间的边
  7. 进行优化
  8. 根据优化结果更新各帧位姿，矫正地图点的位置

五、OptimizeSim3（优化Sim3）：当前关键帧与闭环关键帧之间进行Sim3优化
在用RANSAC求解过Sim3，以及通过Sim3匹配更多的地图点后，对当前关键帧，闭环关键帧，以及匹配的地图点进行优化，获得更准确的Sim3位姿，再去下一步的闭环调整

  1. 初始化优化器
  2. 将两帧之间的sim3设置为顶点
  3. 将两针之间匹配上的地图点分部在各自相机坐标系下的位置设置为顶点
  4. 分别设置两帧对应的地图点的重投影误差为边
  5. 进行优化
  6. 剔除重投影误差过大的边
  7. 再进行一次优化，剔除外点
  8. 更新优化后的sim3

Pos6和Pos2为一个可能的闭环。通过之间的投影误差来优化
在这里插入图片描述

书生落拓
关注
  • 2
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
ORB-SLAM2源码逐行解析系列（二十一）：ORB-SLAM2局部建图线程中的优化方法
LDST_CSDN的博客
10-23 190
局部建图优化中的边是二元边，它连接的需要优化的两个顶点分别是：_vertices[0]，表示待优化的局部关键帧的地图点；​ 由于局部关键帧所观测到的地图点也会被当前关键帧的二级共视关键帧观测到，即二级共视关键帧对这些地图点也会产生约束，因此顶点包括需要优化的当前帧的局部关键帧和对应的局部地图点，以及不参与优化的当前帧的二级共视关键帧（在优化时被固定住）。其中，局部关键帧是指当前关键帧的一级共视关键帧，局部地图点是指局部关键帧观测到的所有地图点。添加待优化的位姿顶点——局部关键帧的位姿。
ORB-SLAM3 细读单目初始化过程（终结篇）
一个摩羯座的程序猿 的 知识笔记
12-16 2834
一、前言 在之前讲了单目初始化的上下部分，分别是构建帧（Frame）和初始化（Track），通过一系列步骤，我们得到了三角测量初始化得到的3D点mvIniP3D，并且计算得到了初始两帧图像之间的相对位姿Rcw和tcw。接下来，就是完成初始化过程的最后一步：对地图的初始化，代码是CreateInitialMapMonocular函数完成的，先来看看步骤和涉及到的知识点，再去逐步理解为什么要初始化这些东西。 1. 无代码版： 将初始关键帧，当前关键帧的描述子转为BoW； 将关键帧插入到地图； 用三角测量初始化
【机器学习】【深度学习】优化器（Optimizer）
最新发布
SmallBamboo的博客
06-08 1456
优化器(Optimizer)是深度学习中的一个核心的概念，用于更新神经网络的权重，以减少或最小化损失函数(loss function)的值。损失函数衡量了模型的预测值与真实值之间的差异，而优化器的目标是通过调整网络参数来最小化这个差异，从而提高模型的准确性和性能。在神经网络训练过程中，优化器在反向传播过程中起着至关重要的作用。反向传播计算了损失函数相当于模型参数的梯度(即损失函数的导数)，优化器则使用这些梯度来更新模型的参数。
【TensorFlow 入门】2、优化器函数 Optimizer
呆呆的猫的博客
02-02 1万+
因为大多数机器学习任务就是最小化损失，在损失定义的情况下，后面的工作就交给了优化器。因为深度学习常见的是对于梯度的优化，也就是说，优化器最后其实就是各种对于梯度下降算法的优化。 常用的optimizer类 Optimizer GradientDescentOptimizer AdagradOptimizer AdagradDAOptimizer MomentumOptimi
ORB-SLAM2学习笔记——局部BA优化
weixin_51326570的博客
04-07 2585
ORB-SLAM2学习笔记——局部BA优化 1、理论部分（待更新） 2、代码详解 void Optimizer::LocalBundleAdjustment(KeyFrame *pKF, bool* pbStopFlag, Map* pMap) { // 该优化函数用于LocalMapping线程的局部BA优化 //step 1 : 得到所有局部关键帧 //step 2 : 得到所有地图点 //step 3 : 把关键帧和能看到的地图点对应到一起 //step
(01)ORB-SLAM2源码无死角解析-(63) BA优化(g2o)→局部建图线程:Optimizer::LocalBundleAdjustment→位姿与地图点优化
江南才尽江南山，年少无知年少狂！
10-14 938
在上一篇博客中，为大家讲解了 Optimizer::PoseOptimization→仅位姿优化，同时还分享了几篇g2o(图优化)博客，这篇博客讲 Optimizer::LocalBundleAdjustment，其在局部建图线程中被调，即 src/LocalMapping.cc 文件中 LocalMapping::Run() 函数。首先需要明白，优化的目标是→局部关键帧的位姿与地图点。
Zend Optimizer v2.6.2
11-03
用优化代码的方法来提高PHP v4.0应用程序的执行速度，执行使用Zend Optimizer的PHP程序比不使用的要快40%到100%，意味着网站的访问者可以更快的浏览网页，...所以，使用Zend Optimizer，就等于提高了电子商务的盈利能力
SparkSQLCatalyst源码分析之Optimizer
03-03
前几篇文章介绍了SparkSQL的Catalyst的核心运行流程、SqlParser，和Analyzer以及核心类库TreeNode，本文将详细讲解SparkSQL的Optimizer的优化思想以及Optimizer在Catalyst里的表现...如下图：Optimizer这个类是在cataly
Zend Optimizer v3.0.1 For Mac_OS_X-POWER
11-03
用优化代码的方法来提高PHP v5.1应用程序的执行速度，执行使用Zend Optimizer的PHP程序比不使用的要快40%到100%，意味着网站的访问者可以更快的浏览网页，...所以，使用Zend Optimizer，就等于提高了电子商务的盈利能力
Zend Optimizer v3.0.1 For linux-glibc23-ppc64
11-03
用优化代码的方法来提高PHP v5.1应用程序的执行速度，执行使用Zend Optimizer的PHP程序比不使用的要快40%到100%，意味着网站的访问者可以更快的浏览网页，...所以，使用Zend Optimizer，就等于提高了电子商务的盈利能力
query_optimizer
04-01
- 源代码：实现了查询优化算法和执行计划选择的Java类。 - 测试用例：用于验证优化器功能和性能的测试代码。 - 数据库配置：可能包含连接数据库的配置文件，用于测试和实验。 - 文档：关于查询优化器设计和使用的...
深度学习——优化器算法Optimizer详解（BGD、SGD、MBGD、Momentum、NAG、Adagrad、Adadelta、RMSprop、Adam）...
weixin_34326179的博客
03-10 3164
在机器学习、深度学习中使用的优化算法除了常见的梯度下降，还有 Adadelta，Adagrad，RMSProp 等几种优化器，都是什么呢，又该怎么选择呢？ 在 Sebastian Ruder 的这篇论文中给出了常用优化器的比较，今天来学习一下：https://arxiv.org/pdf/1609.04747.pdf 本文将梳理： 每个算法的梯度更新规则和缺点 为了应对这个不足而提出的下...
Bundle Adjustment简述
热门推荐
记起来就随便写写
03-21 5万+
关于Bundle Adjustment简要介绍
优化器（Optimizer）介绍
Aliz_
08-10 5万+
Gradient Descent（Batch Gradient Descent，BGD） 梯度下降法是最原始，也是最基础的算法。 它将所有的数据集都载入，计算它们所有的梯度，然后执行决策。（即沿着梯度相反的方向更新权重） 优点是在凸函数能收敛到最小值。但显而易见的是，这方法计算量太大。假如我们的数据集很大的话，普通的GPU是完全执行不来的。还有一点，它逃不出鞍点，也容易收敛到局部最小值（也就...
认真的虎ORBSLAM2源码解读(三)：Optimizer
认真的虎的博客
05-18 2037
目录
covisibility graph 和 essential graph 的理解
u014488388的专栏
03-23 6773
参考：https://www.zhihu.com/question/42050992/answer/93631387 根据半闲居士的回答，我的理解如下： #1 首先“图”的概念：应该是由顶点和边组成的。顶点数量不限，每个顶点连接的边的数量不限。 #2 顶点：待优化的变量（举例：相机的pose） #3 边：误差项（举例：pose-pose之间的位置关系） #4 权值：每条边会有一个
tensorflow 优化器optimizer
wuguangbin1230的博客
05-04 2万+
1. 优化器的种类 Optimizer GradientDescentOptimizer AdagradOptimizer AdagradDAOptimizer MomentumOptimizer AdamOptimizer FtrlOptimizer RMSPropOptimizer 2. GradientDescentOptimizer wit
深度学习——优化器算法Optimizer详解（BGD、SGD、MBGD、Momentum、NAG、Adagrad、Adadelta、RMSprop、Adam）
戈扬的博客
03-25 802
参考：https://www.cnblogs.com/guoyaohua/p/8542554.html 在机器学习、深度学习中使用的优化算法除了常见的梯度下降，还有 Adadelta，Adagrad，RMSProp 等几种优化器，都是什么呢，又该怎么选择呢？ 在 Sebastian Ruder 的这篇论文中给出了常用优化器的比较，今天来学习一下： https://arxiv.org/pdf/160...
bundle adjustment算法学习
Where there is life, there is hope
11-27 1万+
今天学习了稀疏的光束平差法，基于上一篇博文Levenberg–Marquardt算法学习，这里对学习内容做一个理论梳理。本次内容包括：BA简介BA迭代步长的数学推导稀疏BA迭代步长的算法求解过程1.BA简介   摄像机在静态环境中移动，得到不同时刻拍摄的多幅图像。假设这些图像是同一刚性物体的投影，则可由图像特征对应关系估计出摄像机的运动参数。在计算机视觉中 ，这一过程称为运动分析或由运动重建物体结
tensorflow optimizer
09-23
### 回答1： TensorFlow优化器是一种用于训练神经网络的算法，它可以自动调整模型参数以最小化损失函数。TensorFlow提供了多种优化器，包括梯度下降、Adam、Adagrad等。这些优化器可以根据不同的场景和需求进行选择和调整，以提高模型的性能和效率。 ### 回答2： TensorFlow中的优化器（Optimizer）是一个用于优化神经网络模型的算法。它帮助我们根据训练数据来更新模型的参数，使得模型的预测结果更加准确。TensorFlow提供了多种优化器，每个优化器都有自己的特点和适用场景。 其中最常用的优化器之一是梯度下降法（Gradient Descent）。梯度下降法通过计算参数的梯度，并按照其相反方向调整参数的值，以最小化训练数据的损失函数。TensorFlow中的GradientDescentOptimizer就是梯度下降法的一种实现。我们可以通过指定学习率（learning rate）来控制参数的调整速度。 除了梯度下降法外，TensorFlow还提供了其他的优化器，如Adam、Adagrad、RMSProp等。这些优化器在不同的场景下可能表现更好，具体选择哪个优化器取决于模型和数据的特点。 优化器的使用非常简单，我们可以先定义一个优化器对象，然后在训练过程中调用其minimize方法，传入损失函数和要优化的参数。优化器会自动计算梯度并更新模型参数。 除了基本的优化器，TensorFlow还提供了其他辅助类来帮助优化模型。例如，tf.train.exponential_decay可以根据训练步数自动降低学习率，以提高训练效果。另外，tf.train.Checkpoint和tf.train.Saver可以用来保存和恢复模型的参数，方便模型的训练和使用。 总而言之，TensorFlow的优化器是用于优化神经网络模型的重要工具。通过选择合适的优化器和调整参数，我们能够更好地训练模型，提高预测性能。 ### 回答3： TensorFlow中的optimizer是一种用于优化神经网络模型参数的工具。在深度学习中，优化器扮演着重要的角色，它的作用是通过调整模型的权重和偏差，使模型的损失函数最小化。 TensorFlow提供了多种不同的优化器，包括随机梯度下降（SGD）、Adam、Adagrad等。这些优化器的实现基于不同的算法和原理，每个优化器都具有不同的特性和适用场景。 使用优化器有几个关键步骤。首先，需要定义一个损失函数，通常是模型的预测值与实际标签之间的差异。然后，选择一个合适的优化器，并设置适当的超参数如学习率等。接下来，通过调用optimizer的minimize或apply_gradients函数，计算和应用梯度更新。这样，模型的参数就会根据损失函数的梯度进行更新。最后，循环执行该过程，直到达到某个停止条件。 优化器的选择取决于具体的问题和数据。例如，SGD是最简单的优化器之一，适用于大规模数据集，但收敛速度相对较慢。Adam是一种基于自适应矩估计的优化器，可以在不同的学习率下自动调整梯度。Adagrad则根据参数历史梯度的平方和自动调整学习率。 总之，TensorFlow的优化器是优化神经网络模型参数的重要工具，对模型的训练和性能具有重要影响。选择合适的优化器和调整超参数是深度学习中的关键步骤，可以帮助改善模型的性能和收敛速度。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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