【SLAM】开源 | DeepSeqSLAM：可训练的CNN+RNN的联合全局描述和基于序列的位置识别

获取完整原文和代码，公众号回复：09100728451

论文地址： https://arxiv.org/pdf/2011.08518.pdf

代码： 公众号回复：09100728451

来源： 昆士兰科技大学

论文名称：DeepSeqSLAM: A Trainable CNN+RNN for Joint Global Description and Sequence-based Place Recognition

原文作者：Marvin Chancán

内容提要

在具有挑战性的日夜交替或冬夏交替下，全天候导航的基于序列的地点识别方法因SOTA的结果而闻名。然而，与单帧检索方法相比，这些系统依赖于复杂的手工启发式来进行顺序匹配。顺序匹配应用于单个路线的参考图像和查询图像序列之间预先计算的两两相似度矩阵之上，以进一步降低假阳性率。因此，多帧位置识别在自动驾驶车辆的部署或在大数据集上进行评估时可能会非常缓慢，而当使用相对较短的参数值时，例如序列长度为2帧时，则会失败。在本文中，我们提出了DeepSeqSLAM：一个可训练的CNN+RNN架构，用于从单一的单目图像序列中联合学习视觉和位置表示。我们在两个大型基准数据集上应用了本文方法，Nordland和Oxford RobotCar在一年多的季节、天气和光照条件下，分别记录了超过728公里和10公里的路线。在Nordland，在夏冬变化下整个路线使用序列长度为2，将本文方法与两种最先进的基于序列的方法进行比较。结果表明我们的方法可以获得72%以上的AUC，而Delta描述符的AUC为27%，SeqSLAM的AUC为2%；同时将部署时间从大约1小时大幅减少到1分钟。

主要框架及实验结果

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。