sift特征提取_DFSLAM:一种深度特征提取方法

最新推荐文章于 2023-12-27 18:05:57 发布

weixin_39959192

最新推荐文章于 2023-12-27 18:05:57 发布

阅读量312

点赞数

文章标签： sift特征提取深度特征提取方法

本文链接：https://blog.csdn.net/weixin_39959192/article/details/111283488

版权

DF-SLAM是一种基于深度学习的视觉SLAM系统，通过使用学习的区域特征描述子替代传统手工设计的描述子，提高了定位和建图的准确性。该系统包括特征点追踪、建图和回环检测，使用TFEAT网络提取128-D浮点描述符，无需预处理步骤。实验表明，与ORB-SLAM等算法相比，DF-SLAM在回环闭合和定位精度上有显著提升。

摘要由CSDN通过智能技术生成

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。