論文の概要: Generalizing to the Open World: Deep Visual Odometry with Online Adaptation

• arxiv url: http://arxiv.org/abs/2103.15279v1
• Date: Mon, 29 Mar 2021 02:13:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 14:59:12.046839
• Title: Generalizing to the Open World: Deep Visual Odometry with Online Adaptation
• Title（参考訳）: オープンワールドへの一般化: オンライン適応による深い視覚オドメトリ
• Authors: Shunkai Li, Xin Wu, Yingdian Cao, Hongbin Zha
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 27.22639812204019
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Despite learning-based visual odometry (VO) has shown impressive results in recent years, the pretrained networks may easily collapse in unseen environments. The large domain gap between training and testing data makes them difficult to generalize to new scenes. In this paper, we propose an online adaptation framework for deep VO with the assistance of scene-agnostic geometric computations and Bayesian inference. In contrast to learning-based pose estimation, our method solves pose from optical flow and depth while the single-view depth estimation is continuously improved with new observations by online learned uncertainties. Meanwhile, an online learned photometric uncertainty is used for further depth and pose optimization by a differentiable Gauss-Newton layer. Our method enables fast adaptation of deep VO networks to unseen environments in a self-supervised manner. Extensive experiments including Cityscapes to KITTI and outdoor KITTI to indoor TUM demonstrate that our method achieves state-of-the-art generalization ability among self-supervised VO methods.
• Abstract（参考訳）: 近年、学習に基づく視覚計測(VO)が顕著な成果を上げているにもかかわらず、事前訓練されたネットワークは目に見えない環境で容易に崩壊する可能性がある。 トレーニングとテストデータの大きなドメインギャップは、新たなシーンへの一般化を難しくする。 本稿では,シーン非依存な幾何計算とベイズ推論を用いて,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。 学習に基づくポーズ推定とは対照的に,オンライン学習の不確実性による新たな観察により,単一視点深度推定を継続的に改善しながら,光学的フローと深度からポーズを推定する。 一方、オンライン学習された測光不確実性は、微分可能なガウスニュートン層によるさらなる深度とポーズの最適化に使用される。 提案手法は,ディープVOネットワークの自己教師型環境への迅速な適応を可能にする。 都市景観からKITTI,屋外KITTIから室内TUMへの大規模な実験により,自己監督型VO法における最先端の一般化能力が得られた。

関連論文リスト

• SelfTune: Metrically Scaled Monocular Depth Estimation through Self-Supervised Learning [53.78813049373321]
  本稿では,事前学習した教師付き単分子深度ネットワークに対する自己教師付き学習手法を提案する。 本手法は移動ロボットナビゲーションなどの様々な応用に有用であり,多様な環境に適用可能である。
  論文  参考訳（メタデータ） (2022-03-10T12:28:42Z)
• Low-light Image Enhancement by Retinex Based Algorithm Unrolling and Adjustment [50.13230641857892]
  本稿では,低照度画像強調(LIE)問題に対する新たなディープラーニングフレームワークを提案する。 提案フレームワークは,大域的明るさと局所的明るさ感度の両方を考慮したアルゴリズムアンロールと調整ネットワークに着想を得た分解ネットワークを含む。 一連の典型的なLIEデータセットの実験では,既存の手法と比較して,定量的かつ視覚的に,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-02-12T03:59:38Z)
• Robust Visual Odometry Using Position-Aware Flow and Geometric Bundle Adjustment [16.04240592057438]
  まず,位置認識機構上に構築された新しい光フローネットワーク(PANet)を提案する。 そこで本研究では,エゴモーション学習のための典型的なネットワークを使わずに,深度,光学的流れ,エゴモーションを共同で推定するシステムを提案する。 実験により,提案システムは深度,流れ,VO推定の点で,他の最先端手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-11-22T12:05:27Z)
• An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
  カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。 正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T02:27:55Z)
• Fusing the Old with the New: Learning Relative Camera Pose with Geometry-Guided Uncertainty [91.0564497403256]
  本稿では,ネットワークトレーニング中の2つの予測系間の確率的融合を含む新しい枠組みを提案する。 本ネットワークは,異なる対応間の強い相互作用を強制することにより学習を駆動する自己追跡グラフニューラルネットワークを特徴とする。 学習に適したモーションパーマリゼーションを提案し、難易度の高いDeMoNおよびScanNetデータセットで最新のパフォーマンスを達成できることを示します。
  論文  参考訳（メタデータ） (2021-04-16T17:59:06Z)
• 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)
• CodeVIO: Visual-Inertial Odometry with Learned Optimizable Dense Depth [83.77839773394106]
  本稿では,軽量で密結合の深い深度ネットワークと視覚慣性オドメトリーシステムを提案する。 我々は、初期深度予測の精度を高めるために、以前にVIOから切り離されたスパース特徴を持つネットワークを提供する。 本稿では,ネットワークとコードヤコビアンでのみGPUアクセラレーションを活用しながら,シングルスレッド実行でリアルタイムに動作可能であることを示す。
  論文  参考訳（メタデータ） (2020-12-18T09:42:54Z)
• Calibrating Self-supervised Monocular Depth Estimation [77.77696851397539]
  近年、ニューラルネットワークが深度を学習し、画像のシーケンスに変化を起こさせる能力を示す方法は、訓練信号として自己スーパービジョンのみを使用している。 カメラの構成や環境に関する事前情報を取り入れることで,センサの追加に頼ることなく,自己教師型定式化を用いて,スケールのあいまいさを排除し,深度を直接予測できることを示す。
  論文  参考訳（メタデータ） (2020-09-16T14:35:45Z)
• Approaches, Challenges, and Applications for Deep Visual Odometry: Toward to Complicated and Emerging Areas [6.1102842961275226]
  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。
  論文  参考訳（メタデータ） (2020-09-06T08:25:23Z)
• Self-Supervised Deep Visual Odometry with Online Adaptation [35.90781281010656]
  本稿では,VOネットワークが自己指導型で新しい環境に継続的に適応できるオンラインメタ学習アルゴリズムを提案する。 提案手法は,最先端の自己教師型VOベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-05-13T03:39:29Z)
• Towards Better Generalization: Joint Depth-Pose Learning without PoseNet [36.414471128890284]
  自己教師型共同深層学習におけるスケール不整合の本質的問題に対処する。 既存の手法の多くは、全ての入力サンプルで一貫した深さとポーズを学習できると仮定している。 本稿では,ネットワーク推定からスケールを明示的に切り離す新しいシステムを提案する。
  論文  参考訳（メタデータ） (2020-04-03T00:28:09Z)

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。