Open DeepTecher opened 5 years ago
From Coarse to Fine: Robust Hierarchical Localization at Large Scale,定位
提交日期：2019-04-08 团队： 苏黎世联邦理工学院ASL（Autonomous Systems Lab）、Sevensense Robotics AG 作者：Paul-Edouard Sarlin, Cesar Cadena, Roland Siegwart, Marcin Dymczyk
摘要：强大而准确的视觉定位是众多应用的基本功能，例如自动驾驶，移动机器人或增强现实。然而，它仍然是一项具有挑战性的任务，特别是对于大规模环境和存在显着的外观变化。SOTA不仅会遇到这种情况，而且对于某些实时应用来说往往资源过于密集。在本文中，我们提出HF-Net，一种基于单片CNN的分层定位方法，同时预测局部特征和全局描述符，以实现准确的6-DoF定位。我们利用粗到精的定位范例：我们首先执行全局检索以获得位置假设，然后才匹配这些候选位置内的局部特征。这种分层方法可以节省大量的运行时间，使我们的系统适合实时操作。通过利用学习的描述符，我们的方法在大范围的外观变化中实现了显着的定位稳健性，并为大规模定位的两个具有挑战性的基准设置了新的最新技术。
From Coarse to Fine: Robust Hierarchical Localization at Large Scale,定位
提交日期：2019-04-08 团队： 苏黎世联邦理工学院ASL（Autonomous Systems Lab）、Sevensense Robotics AG
作者：Paul-Edouard Sarlin, Cesar Cadena, Roland Siegwart, Marcin Dymczyk
摘要：强大而准确的视觉定位是众多应用的基本功能，例如自动驾驶，移动机器人或增强现实。然而，它仍然是一项具有挑战性的任务，特别是对于大规模环境和存在显着的外观变化。SOTA不仅会遇到这种情况，而且对于某些实时应用来说往往资源过于密集。在本文中，我们提出HF-Net，一种基于单片CNN的分层定位方法，同时预测局部特征和全局描述符，以实现准确的6-DoF定位。我们利用粗到精的定位范例：我们首先执行全局检索以获得位置假设，然后才匹配这些候选位置内的局部特征。这种分层方法可以节省大量的运行时间，使我们的系统适合实时操作。通过利用学习的描述符，我们的方法在大范围的外观变化中实现了显着的定位稳健性，并为大规模定位的两个具有挑战性的基准设置了新的最新技术。