論文の概要: Approaches, Challenges, and Applications for Deep Visual Odometry:
Toward to Complicated and Emerging Areas
- arxiv url: http://arxiv.org/abs/2009.02672v1
- Date: Sun, 6 Sep 2020 08:25:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-21 08:03:32.792066
- Title: Approaches, Challenges, and Applications for Deep Visual Odometry:
Toward to Complicated and Emerging Areas
- Title（参考訳）: 深部視覚オドメトリーへのアプローチ, 課題, 応用 : 複雑で創発的な領域へ向けて
- Authors: Ke Wang, Sai Ma, Junlan Chen, Fan Ren
- Abstract要約: ビジュアル・オドメトリー(VO)は、相対的な局所化問題に対処する一般的な方法である。
ディープラーニングベースの手法は、効果的で堅牢な表現を自動的に学習することができる。
本稿では,ディープラーニングがVOシステムをどのように利益を上げ,最適化するかについて,深い洞察を得ることを目的としている。
- 参考スコア（独自算出の注目度）: 6.1102842961275226
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visual odometry (VO) is a prevalent way to deal with the relative
localization problem, which is becoming increasingly mature and accurate, but
it tends to be fragile under challenging environments. Comparing with classical
geometry-based methods, deep learning-based methods can automatically learn
effective and robust representations, such as depth, optical flow, feature,
ego-motion, etc., from data without explicit computation. Nevertheless, there
still lacks a thorough review of the recent advances of deep learning-based VO
(Deep VO). Therefore, this paper aims to gain a deep insight on how deep
learning can profit and optimize the VO systems. We first screen out a number
of qualifications including accuracy, efficiency, scalability, dynamicity,
practicability, and extensibility, and employ them as the criteria. Then, using
the offered criteria as the uniform measurements, we detailedly evaluate and
discuss how deep learning improves the performance of VO from the aspects of
depth estimation, feature extraction and matching, pose estimation. We also
summarize the complicated and emerging areas of Deep VO, such as mobile robots,
medical robots, augmented reality and virtual reality, etc. Through the
literature decomposition, analysis, and comparison, we finally put forward a
number of open issues and raise some future research directions in this field.
- Abstract（参考訳）: ビジュアル・オドメトリー(VO)は、相対的な局所化問題に対処する一般的な方法であり、それはますます成熟し、正確になりつつあるが、困難な環境下では壊れやすい傾向にある。
従来の幾何学的手法と比較して、深層学習に基づく手法は、明示的な計算なしでデータから深度、光学的流れ、特徴、エゴモーションなどの効果的で堅牢な表現を自動的に学習することができる。
それでも、ディープラーニングベースのVO(Deep VO)の最近の進歩に関する詳細なレビューは残っていない。
そこで本稿では,学習の収益化とvoシステムの最適化について深い知見を得ることを目的としている。
まず、正確性、効率性、スケーラビリティ、動的性、実践性、拡張性など、さまざまな資格を確認し、それらを基準として使用します。
そこで,提案した基準を一様測定として,深度推定,特徴抽出,マッチング,ポーズ推定の観点から,深度学習がVOの性能に与える影響を詳細に評価し,議論した。
また、モバイルロボット、医療ロボット、拡張現実、仮想現実など、Deep VOの複雑で新興の領域についてもまとめる。
文献の分解、分析、比較を通じて、我々はついにいくつかのオープンな問題を提起し、この分野における今後の研究方向性を提起する。
関連論文リスト
- Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。
近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
論文 参考訳（メタデータ） (2024-10-08T00:25:33Z) - A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning [51.7818820745221]
水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。
多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
論文 参考訳（メタデータ） (2024-05-30T04:46:40Z) - Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。
また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
論文 参考訳（メタデータ） (2024-05-13T14:44:22Z) - Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。
ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。
新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
論文 参考訳（メタデータ） (2023-08-27T03:55:28Z) - Lifelong-MonoDepth: Lifelong Learning for Multi-Domain Monocular Metric
Depth Estimation [24.74888757777775]
生涯学習アプローチは、モデルトレーニング、データストレージ、コレクションの観点から、大幅なコスト削減を提供する可能性がある。
RGB画像と深度マップの品質はセンサ依存であり、現実世界の深度マップはドメイン固有の特徴を示し、深度範囲のバリエーションをもたらす。
これらの課題は、ドメインギャップの小さい生涯学習シナリオと相対深度マップ推定に制限される。
論文 参考訳（メタデータ） (2023-03-09T05:54:42Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳（メタデータ） (2023-01-30T12:38:31Z) - EMA-VIO: Deep Visual-Inertial Odometry with External Memory Attention [5.144653418944836]
視覚慣性オドメトリー(VIO)アルゴリズムは、カメラと慣性センサーからの情報を利用して位置と翻訳を推定する。
最近のディープラーニングベースのVIOモデルは、データ駆動方式でポーズ情報を提供するため、注目を集めている。
状態推定のための視覚的特徴と慣性的特徴を効果的かつ効率的に組み合わせた,外部記憶に配慮した新しい学習ベースのVIOフレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-18T07:05:36Z) - Generalizing to the Open World: Deep Visual Odometry with Online
Adaptation [27.22639812204019]
本稿では,シーン非依存な幾何計算とベイズ推論の助けを借りて,ディープvoのオンライン適応フレームワークを提案する。
本手法は,自己監視型VO法における最先端の一般化能力を実現する。
論文 参考訳（メタデータ） (2021-03-29T02:13:56Z) - DF-VO: What Should Be Learnt for Visual Odometry? [33.379888882093965]
マルチビュージオメトリと深層学習を深さと光フローで統合し、シンプルで堅牢な視覚オドメトリーシステムを設計します。
包括的アブレーション研究により,提案手法の有効性が示され,本システムの性能に関する広範な評価結果が得られた。
論文 参考訳（メタデータ） (2021-03-01T11:50:39Z) - Meta-Gradient Reinforcement Learning with an Objective Discovered Online [54.15180335046361]
本稿では,深層ニューラルネットワークによって柔軟にパラメータ化される,自己目的のメタ段階的降下に基づくアルゴリズムを提案する。
目的はオンラインで発見されるため、時間とともに変化に適応することができる。
Atari Learning Environmentでは、メタグラディエントアルゴリズムが時間とともに適応して、より効率よく学習する。
論文 参考訳（メタデータ） (2020-07-16T16:17:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。