标题:DF-SLAM: A Deep-Learning Enhanced Visual SLAM System based on Deep Local Features
作者:Rong Kang , Jieqi Shi , Xueming Li , Yang Liu , and Xiao Liu
来源:arvix 2019
编译:wyc
问题
传统的SLAM系统主要关注几何信息,但是对于非几何模型不能更好的定位和建图.
深度学习和SLAM系统结合缺点是不能够很好的适应环境,此外深度学习为了提高准确率会牺牲系统的效率,舍弃一些特征点.
贡献
本文提出一个基于区域特征描述的代替传统的手工描述的SLAM系统,提高系统的Location和Mampping准确度.
- 提出了一个使用学习区域特征的描述子替代传统的手工设计描述子
- 提出的基于深度学习区域特征点的方法提高了SLAM系统的准确率和效率
方法
系统结构
如图,系统由三部分组成特征点追踪,建图,回环检测.引入区域特征识别代替传统的ORB,SIFT其他特征提取算法,Track负责使用视觉特征匹配构建相邻帧之间的数据关联。
特征点提取
利用TFEAT网络来描述关键点周围的区域,并生成一个标准化的128-D浮点描述符。不同于传统的特征提取方法,我们不需要在特征提取之前进行高斯模糊,而是直接将原始图像作为输入。然后将提取的特征存储在每个帧中,并传递给跟踪、映射和循环关闭线程。为了加快系统速度,引进视觉词典.
特征设计
一些优秀的CNN网路的区域特征描述子已经应用到SLAM,但是需要在效率和准确性之间取得正确平衡。该体系结构采用了TFEAT提出的三重网络结构。每个分支中只有两个卷积层,后面跟着tanh非线性。在第一个卷积层之后添加最大池,以减少参数并进一步加速网络。一个完全连接的层输出一个128-D描述符L2,作为网络的最后一层,它被标准化为单位长度。损失函数定义为:
实验
1.EuRoC Dataset上与ORB-SLAM等算法对比 增加了回路闭合。2.EuRoC Dataset上与ORB-SLAM等算法对比 没有回路闭合。3. 定位精度对比4.TUM数据集中ORB-SLAM2和DF-SLAM的比较。tracked numer是总共10个测试(ORB-SLAM2/DF-SLAM)中未丢失的测试数。
想要获取原文链接请点击下方的阅读原文