【SLAM】开源 | VO基于几何的方法和深入学习的单目视觉里程计算法，性能SOTA

论文地址：http://arxiv.org/pdf/1909.09803v4.pdf 代码：https://github.com/huangying-zhan/df-vo 来源：澳大利亚机器人视觉中心 论文名称：Visual Odometry Revisited: What Should Be Learnt? 原文作者：Huangying Zhan

在这项工作中，本文提出了一个基于几何的方法和深入学习的单目视觉里程计（VO）算法。大多数现有的优异性能的VO/SLAM系统都基于几何学特征的算法，必须针对不同的应用场景进行精心设计才能达到较好的效果。此外，大多数单目系统都存在尺度漂移问题。最近的一些深度学习工作以端到端的方式实现VO功能，但是这些深度系统的性能仍然无法与基于几何的方法相比。在这项工作中，我们回顾了VO的基础知识，并探索了如何将深度学习与极线几何和透视投影（PnP）方法相结合。具体地说，我们训练了两个卷积神经网络（CNNs）来估计单目深度和并且输出双目视觉中的光流特征。在深度预测的基础上，我们设计了一种简单而稳健的帧到帧VO算法（DF-VO），其性能优于纯深度学习和基于几何的方法。更重要的是，我们的尺度一致的单视角深度CNN系统不受尺度漂移问题的影响。在KITTI数据集上的大量实验表明了系统的鲁棒性，详细的研究表明了系统中不同因素的影响。

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：

RF与GBDT之间的区别与联系是什么

每日面试题，答案：

号主答案：

1）相同点：都是由多棵树组成，最终的结果都是由多棵树一起决定。

2）不同点：

a组成随机森林的树可以分类树也可以是回归树，而GBDT只由回归树组成

b组成随机森林的树可以并行生成，而GBDT是串行生成

c随机森林的结果是多数表决表决的，而GBDT则是多棵树累加之和

d随机森林对异常值不敏感，而GBDT对异常值比较敏感

e随机森林是减少模型的方差，而GBDT是减少模型的偏差

f 随机森林不需要进行特征归一化。而GBDT则需要进行特征归一化

声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请联系删除。