典型文献
基于图像对齐和不确定估计的深度视觉里程计
文献摘要：
基于深度学习的视觉里程计方法(deep visual odometry,DVO)通过神经网络直接估计单目图像的深度和相邻图像之间的相机运动,在保证精度的同时大大提高了运行速度.但这是基于灰度不变假设,作为一个很强的假设,灰度不变假设在现实场景中往往难以满足.为此,提出一种基于图像对齐(image alignment,IA)的直接视觉里程计方法AUDVO(aligned U-CNN deep VO),通过不确定性估计网络(uncertainty CNN,U-CNN)引入正则项进行约束,使得估计的结果更具鲁棒性.为了处理大面积纹理缺失区域上因估计不准确带来的空洞,在设计深度估计模块时通过嵌入超分辨率网络进行上采样.在公开的KITTI数据集上的实验证明了AUDVO在深度和相机位姿估计上的有效性.
文献关键词：
视觉里程计;深度学习;不确定性估计网络
中图分类号：
作者姓名：
秦超;闫子飞
作者机构：
哈尔滨工业大学 建筑学院 媒体技术与艺术系,互动媒体设计与装备服务创新文化和旅游部重点实验室,哈尔滨 150001
文献出处：
引用格式：
[1]秦超;闫子飞-.基于图像对齐和不确定估计的深度视觉里程计)[J].计算机工程与应用,2022(22):101-107
A类：
DVO,AUDVO,不确定性估计网络
B类：
图像对齐,深度视觉,视觉里程计,deep,visual,odometry,单目图像,相机运动,运行速度,灰度,现实场景,image,alignment,IA,aligned,uncertainty,正则项,行约,处理大面积,缺失区域,设计深度,深度估计,入超,超分辨率网络,上采样,KITTI,相机位姿估计
AB值：
0.345019
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
