S-BEV:用于天气和光照不变的3-DoF定位的语义鸟瞰视图表示

小白学视觉

共 1536字,需浏览 4分钟

 ·

2021-02-19 14:31

点击上方小白学视觉”,选择加"星标"或“置顶

重磅干货,第一时间送达


小白导读

论文是学术研究的精华和未来发展的明灯。小白决心每天为大家带来经典或者最新论文的解读和分享,旨在帮助各位读者快速了解论文内容。个人能力有限,理解难免出现偏差,建议对文章内容感兴趣的读者,一定要下载原文,了解具体内容。



摘要


作者描述了用于基于视觉的车辆重新定位的轻量化、天气和照明不变、语义鸟瞰(s - bev)特征。在第一次路由遍历时,建立了SBEV签名的拓扑图,用于后续路由遍历时的粗定位。然后训练一个细粒度定位器使用S-BEV和它的粗定位输出车辆的全局3-DoF位姿。作者在vKITTI2虚拟数据集上进行了实验,并展示了S-BEV对天气和照明具有鲁棒性的潜力。作者还在福特AV数据集中展示了在一条22公里长的高速公路上行驶的2辆车的结果。


论文创新点


作者认为,这种定位方法对于机器人和汽车来说是一种有用的解决方案,因为它们在预先绘制的环境中工作,在一天中的不同时间或一年中的不同季节,光照和天气可能会发生剧烈变化。使用S-BEV映射允许只使用2D卷积网络,而不是3D,这有助于提高速度。定位到拓扑节点和训练神经网络来预测相对位姿也限制了最大误差到拓扑节点内。作者的解决方案旨在在鲁棒性、准确性和速度方面取得适当的平衡,以便部署在相对小型和轻量级的嵌入式系统上。


框架结构

S-BEV系统

S-BEV定位结构

Autoencoder架构

灰盒中的编码器部分用于生成S-BEV映射的潜在嵌入。


实验结果


Ford AV数据集中的3个拓扑节点的RGB图像、分割图像、深度图和S-BEV表示。这些S-BEVs用于在地图上对车辆进行3-DoF定位。


结论


在vKITTI数据集的场景20上对六种不同天气条件下的S-BEV结构进行采样。尽管天气和照明条件发生了变化,S-BEV的特征结构仍然相似,这说明了它在不同天气和照明条件下的定位潜力。


论文链接:https://arxiv.org/pdf/2101.09569.pdf


每日坚持论文分享不易,如果喜欢我们的内容,希望可以推荐或者转发给周围的同学。

- END -


下载1:OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复:扩展模块中文教程即可下载全网第一份OpenCV扩展模块教程中文版,涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2:Python视觉实战项目52讲
小白学视觉公众号后台回复:Python视觉实战项目即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目,助力快速学校计算机视觉。

下载3:OpenCV实战项目20讲
小白学视觉公众号后台回复:OpenCV实战项目20讲即可下载含有20个基于OpenCV实现20个实战项目,实现OpenCV学习进阶。

交流群


欢迎加入公众号读者群一起和同行交流,目前有SLAM、三维视觉、传感器自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN算法竞赛等微信群(以后会逐渐细分),请扫描下面微信号加群,备注:”昵称+学校/公司+研究方向“,例如:”张三 + 上海交大 + 视觉SLAM“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告,否则会请出群,谢谢理解~


浏览 71
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报