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。