論文の概要: LIFT-SLAM: a deep-learning feature-based monocular visual SLAM method
- arxiv url: http://arxiv.org/abs/2104.00099v1
- Date: Wed, 31 Mar 2021 20:35:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-03 08:51:56.635758
- Title: LIFT-SLAM: a deep-learning feature-based monocular visual SLAM method
- Title（参考訳）: LIFT-SLAM: 深層学習機能に基づく単眼視覚SLAM法
- Authors: Hudson M. S. Bruno and Esther L. Colombini
- Abstract要約: 従来のジオメトリベースのVSLAMと深層学習に基づく特徴記述子の可能性を組み合わせることを提案する。
KITTIとEurocのデータセットを用いた実験では、ディープラーニングが従来のVSLAMシステムの性能向上に有効であることが示されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Simultaneous Localization and Mapping (SLAM) problem addresses the
possibility of a robot to localize itself in an unknown environment and
simultaneously build a consistent map of this environment. Recently, cameras
have been successfully used to get the environment's features to perform SLAM,
which is referred to as visual SLAM (VSLAM). However, classical VSLAM
algorithms can be easily induced to fail when either the motion of the robot or
the environment is too challenging. Although new approaches based on Deep
Neural Networks (DNNs) have achieved promising results in VSLAM, they still are
unable to outperform traditional methods. To leverage the robustness of deep
learning to enhance traditional VSLAM systems, we propose to combine the
potential of deep learning-based feature descriptors with the traditional
geometry-based VSLAM, building a new VSLAM system called LIFT-SLAM. Experiments
conducted on KITTI and Euroc datasets show that deep learning can be used to
improve the performance of traditional VSLAM systems, as the proposed approach
was able to achieve results comparable to the state-of-the-art while being
robust to sensorial noise. We enhance the proposed VSLAM pipeline by avoiding
parameter tuning for specific datasets with an adaptive approach while
evaluating how transfer learning can affect the quality of the features
extracted.
- Abstract（参考訳）: 同時ローカライズ・マッピング(slam)問題は、ロボットが未知の環境に自分自身をローカライズし、同時にこの環境の一貫したマップを構築する可能性に対処している。
近年、カメラは、視覚SLAM(VSLAM)と呼ばれるSLAMを実行するために環境の特徴を得るのに成功している。
しかしながら、従来のVSLAMアルゴリズムは、ロボットの動作や環境が難しすぎる場合に容易に失敗するように誘導することができる。
ディープニューラルネットワーク(DNN)に基づく新しいアプローチは、VSLAMで有望な結果を得たが、従来の手法を上回ることはできない。
深層学習の堅牢性を活用して従来のVSLAMシステムを強化するために,深層学習に基づく特徴記述子の可能性を従来の幾何学に基づくVSLAMと組み合わせ,LIFT-SLAMと呼ばれる新しいVSLAMシステムを構築することを提案する。
KITTI と Euroc のデータセットを用いて行った実験では,従来の VSLAM システムの性能向上にディープラーニングが有効であることが示されている。
本稿では,特定のデータセットに対するパラメータチューニングを適応的アプローチで回避し,伝達学習が抽出した特徴の質に与える影響を評価することで,VSLAMパイプラインを強化する。
関連論文リスト
- Light-SLAM: A Robust Deep-Learning Visual SLAM System Based on LightGlue under Challenging Lighting Conditions [2.0397901353954806]
我々はLightGlue深層学習ネットワークに基づく視覚SLAMのための新しいハイブリッドシステムを提案する。
従来の幾何学的アプローチを組み合わせて、単眼、双眼、RGB-Dセンサーのための完全な視覚SLAMシステムを導入しました。
実験結果から, 本手法は低照度で光度が強い環境に適応する上で, 精度とロバスト性を示すことがわかった。
論文 参考訳（メタデータ） (2024-05-10T10:54:03Z) - DK-SLAM: Monocular Visual SLAM with Deep Keypoint Learning, Tracking and Loop-Closing [13.50980509878613]
公開されているデータセットに対する実験的評価は、DK-SLAMが従来のSLAMシステムと学習ベースのSLAMシステムより優れていることを示している。
本システムでは,キーポイント抽出ネットワークの学習を最適化するために,モデル非依存メタラーニング(MAML)戦略を採用している。
累積的な位置決め誤差を軽減するため、DK-SLAMはループ閉鎖検出にバイナリ機能を利用する新しいオンライン学習モジュールを組み込んだ。
論文 参考訳（メタデータ） (2024-01-17T12:08:30Z) - DDN-SLAM: Real-time Dense Dynamic Neural Implicit SLAM [5.267859554944985]
DDN-SLAMは,意味的特徴を統合した最初のリアルタイム高密度ニューラルネットワーク暗黙的SLAMシステムである。
既存の暗黙的SLAMシステムと比較して、動的データセットの追跡結果は平均軌道誤差(ATE)の精度が平均90%向上していることを示している。
論文 参考訳（メタデータ） (2024-01-03T05:42:17Z) - DNS SLAM: Dense Neural Semantic-Informed SLAM [92.39687553022605]
DNS SLAMは、ハイブリッド表現を備えた新しいRGB-DセマンティックSLAMアプローチである。
本手法は画像に基づく特徴抽出と多視点幾何制約を統合し,外観の細部を改良する。
実験により, 合成データと実世界のデータ追跡の両面において, 最先端の性能が得られた。
論文 参考訳（メタデータ） (2023-11-30T21:34:44Z) - Differentiable SLAM Helps Deep Learning-based LiDAR Perception Tasks [2.753469462596694]
本稿では,様々なLiDARアプリケーションにおけるエンド・ツー・エンドのディープラーニングモデルを学習するために,SLAMアーキテクチャを自己教師方式で活用する新しいパラダイムについて検討する。
我々は、LiDARベースのモデルをトレーニングしながらSLAMロス信号を使用する新しいパラダイムが、コミュニティによって容易に採用できることを実証する。
論文 参考訳（メタデータ） (2023-09-17T08:24:16Z) - NICE-SLAM: Neural Implicit Scalable Encoding for SLAM [112.6093688226293]
NICE-SLAMは階層的なシーン表現を導入することでマルチレベルローカル情報を組み込んだ高密度SLAMシステムである。
最近の暗黙的SLAMシステムと比較して、私たちのアプローチはよりスケーラブルで効率的で堅牢です。
論文 参考訳（メタデータ） (2021-12-22T18:45:44Z) - Learning to Continuously Optimize Wireless Resource in a Dynamic
Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。
学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。
我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文 参考訳（メタデータ） (2021-05-03T07:23:39Z) - A comparative evaluation of learned feature descriptors on hybrid
monocular visual SLAM methods [0.0]
異なる学習特徴記述子を用いたハイブリッド型vslam法の性能比較を行った。
KITTIおよびEuroc MAVデータセット上で実施された実験では、学習された機能記述子はより堅牢なVSLAMシステムを作成することができる。
論文 参考訳（メタデータ） (2021-03-31T19:56:32Z) - Learning to Continuously Optimize Wireless Resource In Episodically
Dynamic Environment [55.91291559442884]
この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。
本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。
我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
論文 参考訳（メタデータ） (2020-11-16T08:24:34Z) - Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
視覚SLAMシステムのための新しい最適化バックボーンを提案する。
従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。
我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
論文 参考訳（メタデータ） (2020-11-02T18:02:26Z) - Learning to Explore using Active Neural SLAM [99.42064696897533]
この研究は、3D環境を探索するポリシーを学ぶためのモジュラーで階層的なアプローチを示す。
提案されたモデルはPointGoalタスクに簡単に移行することができ、CVPR 2019 Habitat PointGoal Navigation Challengeの勝者となった。
論文 参考訳（メタデータ） (2020-04-10T17:57:29Z)
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。