論文の概要: Why Not Replace? Sustaining Long-Term Visual Localization via Handcrafted-Learned Feature Collaboration on CPU

• arxiv url: http://arxiv.org/abs/2505.18652v1
• Date: Sat, 24 May 2025 11:44:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.569133
• Title: Why Not Replace? Sustaining Long-Term Visual Localization via Handcrafted-Learned Feature Collaboration on CPU
• Title（参考訳）: なぜリプレースしないのか?CPU上の手書き学習機能連携による長期視覚的ローカライゼーション
• Authors: Yicheng Lin, Yunlong Jiang, Xujia Jiao, Bin Han,
• Abstract要約: 複雑な産業環境における長期的視覚的ローカライゼーションは、移動ロボットシステムにとって重要である。 既存のアプローチでは、手作りの機能は照明に敏感であり、学習された機能は集中的であり、セマンティックまたはマーカーベースの手法は環境に制約される。 実時間手作り特徴抽出を利用して相対的なポーズ推定を行う階層的局所化フレームワークを提案する。 絶対位置決めのために最適化されたレイテンシに対して、選択的に学習されたキーポイント検出を採用する。
• 参考スコア（独自算出の注目度）: 2.777932842387598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust long-term visual localization in complex industrial environments is critical for mobile robotic systems. Existing approaches face limitations: handcrafted features are illumination-sensitive, learned features are computationally intensive, and semantic- or marker-based methods are environmentally constrained. Handcrafted and learned features share similar representations but differ functionally. Handcrafted features are optimized for continuous tracking, while learned features excel in wide-baseline matching. Their complementarity calls for integration rather than replacement. Building on this, we propose a hierarchical localization framework. It leverages real-time handcrafted feature extraction for relative pose estimation. In parallel, it employs selective learned keypoint detection on optimized keyframes for absolute positioning. This design enables CPU-efficient, long-term visual localization. Experiments systematically progress through three validation phases: Initially establishing feature complementarity through comparative analysis, followed by computational latency profiling across algorithm stages on CPU platforms. Final evaluation under photometric variations (including seasonal transitions and diurnal cycles) demonstrates 47% average error reduction with significantly improved localization consistency. The code implementation is publicly available at https://github.com/linyicheng1/ORB_SLAM3_localization.
• Abstract（参考訳）: 複雑な産業環境におけるロバストな視覚的ローカライゼーションは、移動ロボットシステムにとって重要である。 既存のアプローチでは、手作りの特徴は照明に敏感で、学習された特徴は計算集約的で、意味やマーカーに基づく手法は環境に制約がある。 手工芸品と学習品は類似の表現を共有しているが、機能的に異なる。 手作りの機能は継続的なトラッキングに最適化され、学習された機能は幅広いベースラインマッチングに優れている。 彼らの相補性は、代替ではなく統合を求めている。 これに基づいて階層的なローカライゼーションフレームワークを提案する。 実時間手作りの特徴抽出を利用して相対的なポーズ推定を行う。 並行して、絶対位置決めのために最適化されたキーフレームに対して、選択的に学習されたキーポイント検出を採用する。 この設計により、CPU効率が良く、長期の視覚的ローカライゼーションが可能になる。 実験は3つの検証フェーズを通じて体系的に進行する: 最初は比較分析によって機能の相補性を確立し、続いてCPUプラットフォーム上のアルゴリズムステージにわたる計算遅延プロファイリングを行う。 光度変化(季節遷移や日周期を含む)による最終評価では, 平均誤差が47%減少し, 局所化の整合性が著しく向上した。 コードの実装はhttps://github.com/linyicheng1/ORB_SLAM3_localizationで公開されている。

関連論文リスト

• CDXLSTM: Boosting Remote Sensing Change Detection with Extended Long Short-Term Memory [7.926250735066206]
  本稿では,強力なXLSTM機能拡張層であるコアコンポーネントを備えたCDXLSTMを提案する。 具体的には、意味的精度の深い機能のためにカスタマイズされたクロステンポラルグローバルパーセプトロンを組み込んだ、スケール特異的な特徴エンハンサー層を導入する。 また,グローバルな変化表現と空間応答を段階的に相互作用するクロススケール・インタラクティブ・フュージョンモジュールを提案する。
  論文  参考訳（メタデータ） (2024-11-12T15:22:14Z)
• Multi-Level Aggregation and Recursive Alignment Architecture for Efficient Parallel Inference Segmentation Network [18.47001817385548]
  セグメンテーションタスク用にカスタマイズされた並列推論ネットワークを提案する。 実時間速度を確保するために浅いバックボーンを使用し、モデル容量の削減と精度の向上のために3つのコアコンポーネントを提案する。 我々のフレームワークは、CityscapesとCamVidデータセットの最先端のリアルタイム手法よりも、速度と精度のバランスが良くなっている。
  論文  参考訳（メタデータ） (2024-02-03T22:51:17Z)
• Dynamic Perceiver for Efficient Visual Recognition [87.08210214417309]
  特徴抽出手順と早期分類タスクを分離する動的知覚器(Dyn-Perceiver)を提案する。 特徴ブランチは画像の特徴を抽出し、分類ブランチは分類タスクに割り当てられた遅延コードを処理する。 早期出口は分類枝に限られており、低レベルの特徴において線形分離性は不要である。
  論文  参考訳（メタデータ） (2023-06-20T03:00:22Z)
• CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point Cloud Learning [81.85951026033787]
  この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。 また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。 提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
  論文  参考訳（メタデータ） (2022-07-31T21:39:15Z)
• Efficient Global-Local Memory for Real-time Instrument Segmentation of Robotic Surgical Video [53.14186293442669]
  手術器具の知覚における重要な手がかりとして,隣接するフレームからの局所的時間依存性と,長距離における大域的意味的相関があげられる。 本稿では,グローバルとローカルの両方の時間的知識を関連付ける新しいデュアルメモリネットワーク(DMNet)を提案する。 本手法は,実時間速度を維持しながらセグメント化精度を向上する手法である。
  論文  参考訳（メタデータ） (2021-09-28T10:10:14Z)
• Temporal Dependencies in Feature Importance for Time Series Predictions [4.082348823209183]
  時系列予測設定における特徴重要度を評価するためのフレームワークであるWinITを提案する。 我々は、ソリューションが時間ステップ内の機能の適切な属性をどのように改善するかを示す。 WinIT は FIT の2.47倍の性能を達成しており、実際のMIMIC の致命的課題における他の特徴的重要な手法である。
  論文  参考訳（メタデータ） (2021-07-29T20:31:03Z)
• Sequential Place Learning: Heuristic-Free High-Performance Long-Term Place Recognition [24.70946979449572]
  学習ベースのCNN+LSTMアーキテクチャを開発し、バックプロパゲーションを通じてトレーニングし、視点および外観不変の場所認識を実現します。 我々のモデルは、新しい最先端パフォーマンス標準を設定しながら、15の古典的手法より優れています。 さらに, SPL は 729 km の経路において, 従来の方法よりも 70 倍高速に展開可能であることを示す。
  論文  参考訳（メタデータ） (2021-03-02T22:57:43Z)
• Early Bird: Loop Closures from Opposing Viewpoints for Perceptually-Aliased Indoor Environments [35.663671249819124]
  本稿では,視点変化と知覚的エイリアスを同時に扱う新しい研究を提案する。 本稿では,VPRとSLAMの統合により,VPRの性能向上,特徴対応,グラフサブモジュールのポーズが著しく促進されることを示す。 知覚的エイリアス化や180度回転する極端な視点変化に拘わらず,最先端のパフォーマンスを実現するローカライズシステムについて初めて紹介する。
  論文  参考訳（メタデータ） (2020-10-03T20:18:55Z)
• Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
  局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。 本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。 実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
  論文  参考訳（メタデータ） (2020-07-20T12:07:48Z)
• Multi-View Optimization of Local Feature Geometry [70.18863787469805]
  本研究では,複数視点からの局所像の特徴の幾何を,未知のシーンやカメラの幾何を伴わずに精査する問題に対処する。 提案手法は,従来の特徴抽出とマッチングのパラダイムを自然に補完する。 本手法は,手作りと学習の両方の局所的特徴に対して,三角測量とカメラのローカライゼーション性能を常に向上することを示す。
  論文  参考訳（メタデータ） (2020-03-18T17:22:11Z)
• Image Matching across Wide Baselines: From Paper to Practice [80.9424750998559]
  局所的な特徴とロバストな推定アルゴリズムの包括的なベンチマークを導入する。 パイプラインのモジュール構造は、さまざまなメソッドの容易な統合、構成、組み合わせを可能にします。 適切な設定で、古典的な解決策は依然として芸術の知覚された状態を上回る可能性があることを示す。
  論文  参考訳（メタデータ） (2020-03-03T15:20:57Z)

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。