【SLAM】开源 | 使用深度学习的方法替换ORBSLAMv2中的特征提取算法，可以在TX2上达到实时

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。