视觉SLAM如何基于深度学习闭环检测？

重磅干货，第一时间送达

本文转自：计算机视觉life

TurtleZhong:

相比现在基本都是用深度学习做的吧，只要涉及到场景光照变化大，相机视野变化大等等，传统的DBoW，VLAD方法确实能力有限，那想必现在大多数都用的是基于深度学习来做闭环检测的，具体的方法可以参考我前段时间写的总结：

https://github.com/TurtleZhong/Map-based-Visual-Localization

其实里面列举了传统方法和深度学习的方法，当然可能不全，但是欢迎补充，另外觉得有用的话点个关注。

九歌:

俺就是在做深度学习与闭环检测结合的工作的呀

目前将深度学习应用到闭环检测中已经很普遍了吧。直接的想法是在bow框架下利用如superpoint、d2、r2d2等深度学习特征代替传统orb、sift等特征。也有如NetVLAD、CALC等用神经网络模拟传统特征提取策略，以获得更好鲁棒性的。也有加入语义信息，如X-view、LoST、CALC2.0等利用图像语义信息，实现闭环检测的。

总的来说，如果只是关注闭环检测中图像检索的部分，与深度学习相关的工作还是很多很好的。难点在于要应对闭环检测中的一些实际挑战，比如cross-view乃至opposite-view，appearance changes，perceptual aliasing，dynamics，textless这些问题。

害，其实dbow和fabmap从效果和实时性的平衡上来说，不已经超好了嘛

刘斯坦:

搜deep learning feature points matching，文章非常多。

具体结合SLAM的工作，今年刚出的这篇清华的就很不错，还有代码：
ivipsourcecode/dxslamgithub.com

基本是一个纯工程的工作，很直观，把各种成熟的深度学习特征点提取和匹配网络（SuperPoint, D2-Net, HF-Net）的预训练模型直接拿来用，替换掉ORB-SLAM2里面的相关部分：

王小二:

1、不知道其它大佬的情况，现阶段我做的方向就是深度学习和SLAM的结合方向，所以SLAM各个比较关键的环节如何使用深度学习来完成，我倒是看过部分文章，比如特征提取，回环检测，优化等等。但是实际操作过的目前只有特征提取和描述子生成部分。详情见：https://zhuanlan.zhihu.com/p/214158164zhuanlan.zhihu.com

2、说回到回环检测这个问题，其实从直观上来说和图像检测，重识别等领域应该是有共通之处的，所以我之前的考虑也是利用图像检索的方式来实现回环检测。

3、说到具体的操作，当时考虑过的方向有：A、使用完整的图像来完成特征提取；B、图像切块或者提前感兴趣区域提取特征；C、整体+兴趣区域共同提取特征->企图在查询速度和精度做平衡

4、提取特征的方法考虑过：A、使用传统的特征来监督CNN，比如ORB，SIFT，HOG等；B、学习人脸识别，重识别等使用triple loss，margin loss等使用图片对或者图片组来训练

5、说起来，也许可以看看小样本分类识别的部分思路；细粒度识别分类的一些方案

6、现在已经有的搜图定位不妨也看看7、步子不要太大，是不是可以考虑CNN+传统的词袋模型一起使用？

Howie:

闭环过程使用深度学习中的图像检索，能有效的减少由于环境光照 季节更替，视角变化引起的匹配问题。但是需要采集大量的样本进行训练，同时考虑网络的大小和推理速度，以及自身的硬件平台性能。在一些嵌入式应用中，由深度学习带来的性能提升 可能需要消耗巨大的资源，此时仍需以传统算法为主。

实际使用中，若环境可布置如室内环境，建议使用二维码等人为标志进行回环检测，兼顾精度和速度。若是室外可变环境，则需要考虑自身的硬件性能，进行传统算法与深度学习方法的选择，对于纯粹的深度方向，应考虑模型设计优化，通过压缩量化等手段提升模型速度。