论文地址:https://arxiv.org/pdf/1902.11046v3.pdf 代码:https://github.com/jiexiong2016/GCNv2_SLAM 来源:英国皇家理工学院 论文名称:GCNv2: Efficient Correspondence Prediction for Real-Time SLAM 原文作者:Jiexiong Tang
本文提出了一种基于学习的特征点和描述子提取算法,被命名于GCNv2。GCNv2是基于一个为三维射影几何而训练的网络GCN的改进版本。GCNv2被设计用于生成类似于ORB的特征描述子和特征点的算法,其可以很容易的替代ORB特征在ORB-SLAMv2中。GCNv2可以显著的提升GCN的计算速度,并且不像GCN只能应用于桌面系统。经过本算法改善的ORB-SLAMv2,可以实时运行在嵌入式设备Jetson TX2。实验结果表明,经过重新训练后的GCNv2网络精度和GCN基本相当, 并且提取的特征鲁棒性足以应用于无人机的控制。
下面是论文具体框架结构以及实验结果:
人工智能,每日面试题:
对数几率回归(logistics regression)和一般回归分析有什么区别
A.对数几率回归是设计用来预测事件可能性的
B.对数几率回归可以用来度量模型拟合程度
C.对数几率回归可以用来估计回归系数
D. 以上所有
每日面试题,答案:
号主答案:D
解析:
A:对数几率回归其实是设计用来解决分类问题的
B:对数几率回归可以用来检验模型对数据的拟合度
C: 虽然对数几率回归是用来解决分类问题的,但是模型建立好后,就可以根据独立的特征,估计相关的回归系数。就我认为,这只是估计回归系数,不能直接用来做回归模型。
点击右下角“在看”给出你的答案:
声明:文章来自于网络,仅用于学习分享,版权归原作者所有,侵权请加上文微信联系删除。