論文の概要: MegLoc: A Robust and Accurate Visual Localization Pipeline
- arxiv url: http://arxiv.org/abs/2111.13063v1
- Date: Thu, 25 Nov 2021 12:56:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-30 07:44:09.015462
- Title: MegLoc: A Robust and Accurate Visual Localization Pipeline
- Title（参考訳）: MegLoc:ロバストで正確なビジュアルローカライゼーションパイプライン
- Authors: Shuxue Peng, Zihang He, Haotian Zhang, Ran Yan, Chuting Wang, Qingtian
Zhu, Xiao Liu
- Abstract要約: 我々は、ロバストで正確な6-DoFポーズ推定のために、視覚的ローカライゼーションパイプライン、すなわちMegLocを提案する。
MegLocは、さまざまな挑戦的なデータセットで最先端の結果を達成する。
- 参考スコア（独自算出の注目度）: 5.586257438434803
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we present a visual localization pipeline, namely MegLoc, for
robust and accurate 6-DoF pose estimation under varying scenarios, including
indoor and outdoor scenes, different time across a day, different seasons
across a year, and even across years. MegLoc achieves state-of-the-art results
on a range of challenging datasets, including winning the Outdoor and Indoor
Visual Localization Challenge of ICCV 2021 Workshop on Long-term Visual
Localization under Changing Conditions, as well as the Re-localization
Challenge for Autonomous Driving of ICCV 2021 Workshop on Map-based
Localization for Autonomous Driving.
- Abstract（参考訳）: 本稿では,屋内と屋外のシーン,1日ごとの異なる時間,1年ごとの異なる季節,さらには数年にわたるさまざまなシナリオにおいて,ロバストで正確な6-DoFポーズ推定を行うための視覚的ローカライゼーションパイプラインMegLocを提案する。
MegLocは、ICCV 2021の屋外および屋内視覚的ローカライゼーションチャレンジ、変化条件下での長期的な視覚的ローカライゼーションに関するワークショップ、ICCV 2021の地図ベースのローカライゼーションワークショップにおけるICCV 2021の自律運転のための再ローカライゼーションチャレンジなど、さまざまな挑戦的なデータセットに関する最先端の結果を達成している。
関連論文リスト
- Street-View Image Generation from a Bird's-Eye View Layout [95.36869800896335]
近年,Bird's-Eye View (BEV) の知覚が注目されている。
自動運転のためのデータ駆動シミュレーションは、最近の研究の焦点となっている。
本稿では,現実的かつ空間的に一貫した周辺画像を合成する条件生成モデルであるBEVGenを提案する。
論文 参考訳（メタデータ） (2023-01-11T18:39:34Z) - 4Seasons: Benchmarking Visual SLAM and Long-Term Localization for
Autonomous Driving in Challenging Conditions [54.59279160621111]
大規模4Seasonsデータセットに基づく課題条件下での自律運転のための新しい視覚的SLAMと長期局所化ベンチマークを提案する。
提案したベンチマークでは,季節変化や天候,照明条件の変動による劇的な外見の変化が報告されている。
本稿では,視覚計測,大域的位置認識,および地図に基づく視覚的位置決め性能を共同評価するための統合ベンチマークを提案する。
論文 参考訳（メタデータ） (2022-12-31T13:52:36Z) - Collection and Evaluation of a Long-Term 4D Agri-Robotic Dataset [8.81442358588687]
我々は、数ヵ月にわたってデータ収集を行うために、自動移動ロボットをブドウ畑に長期展開する取り組みを報告している。
主な目的は、マッピングやローカライゼーションタスクにおける環境変化の影響を分析するために、同じエリアから異なる時点のデータを収集することである。
本研究は,4つのデータセッションを取り入れた地図に基づくローカライゼーション研究であり,事前構築された地図が環境の現況と視覚的に異なる場合に期待される失敗を同定する。
論文 参考訳（メタデータ） (2022-11-25T10:39:04Z) - VPAIR -- Aerial Visual Place Recognition and Localization in Large-scale
Outdoor Environments [49.82314641876602]
VPAIRという新しいデータセットを提示します。
データセットは地上300メートル以上の高度で飛行する軽航空機に記録されている。
このデータセットは、様々なタイプの挑戦的な風景を、100km以上にわたってカバーしている。
論文 参考訳（メタデータ） (2022-05-23T18:50:08Z) - CrowdDriven: A New Challenging Dataset for Outdoor Visual Localization [44.97567243883994]
クラウドソースデータを用いた屋外シーンにおける視覚的位置推定のための新しいベンチマークを提案する。
私たちのデータセットは非常に困難で、評価されたすべてのメソッドが最も難しい部分で失敗していることが示されています。
データセットリリースの一部として、私たちはそれを生成するために使用されるツールを提供し、効率的で効果的な2D対応アノテーションを可能にします。
論文 参考訳（メタデータ） (2021-09-09T19:25:48Z) - Deep Multi-Task Learning for Joint Localization, Perception, and
Prediction [68.50217234419922]
本稿では,ローカライズエラー下の最先端の自律性スタックで発生する問題について検討する。
我々は,認識,予測,局所化を共同で行うシステムの設計を行う。
本アーキテクチャでは,両タスク間の計算を再利用し,効率よくローカライズエラーを修正できる。
論文 参考訳（メタデータ） (2021-01-17T17:20:31Z) - Learning to Localize Using a LiDAR Intensity Map [87.04427452634445]
自動運転車のリアルタイム・キャリブレーション非依存・効果的なローカライズシステムを提案する。
私たちの方法は、オンラインLiDARスイープと強度マップをジョイントディープ埋め込みスペースに埋め込む方法を学びます。
システム全体の動作は15hzで,さまざまなlidarセンサや環境においてセンチメートルレベルの精度を実現しています。
論文 参考訳（メタデータ） (2020-12-20T11:56:23Z) - 4Seasons: A Cross-Season Dataset for Multi-Weather SLAM in Autonomous
Driving [48.588254700810474]
本稿では,自律運転における季節的・挑戦的な知覚条件をカバーする新しいデータセットを提案する。
その中には、視覚計測、グローバルな位置認識、マップベースの再位置追跡などが含まれる。
論文 参考訳（メタデータ） (2020-09-14T12:31:20Z) - Real-time Kinematic Ground Truth for the Oxford RobotCar Dataset [23.75606166843614]
大規模なOxford RobotCarデータセットに基づく長期ローカライゼーションおよびマッピングベンチマークに向けた参照データをリリースする。
我々は,データセットの1年間にわたって,グローバルに一貫性のある精度の高い基底真理を作成した。
論文 参考訳（メタデータ） (2020-02-24T10:34:31Z)
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。