admin管理员组

文章数量:1530012

Why essential matrices? (重点，为啥用这玩意就好呢) 本文说，回归essential matrices相比较类似posenet这样的直接回归absolute pose 可以避免权重问题？？（不明白啥是权重问题），导致了更加精确的结果。   文中提到densevlad相比较别的image retrieval pipeline 的泛化能力要好一些   Pair selection：     为了增加结果的精度需要保证query和database的baseline，因此topk的image retrieval结果取根上次pose的min/max距离。 Pairwise Relative Pose Estimation：     计算每个query和databse之间的essential matrices（文中作者提到了三种方法进行对比），然后每个essential matrices可以分解出4个pose矩阵（R t）。   Absolute Pose Estimation via RANSAC：     解释了两个pair match image 对可以确定r t（绝对姿态），因此在ransac框架中得到最终的absolute pose   整体pipeline如下： 首先densevlad 进行image retrieval，然后选取pair对。之后求解pair对的E矩阵。最后ransac loop得到absolute pose   优势：比posenet这行的直接回归绝对姿态的要好一些（感觉可能是因为有ransac机制可以不同的结果之间相互校验吧）。             不用3d模型（例如点云），只需要存database image 的global feature（image retrieval使用） + pose即可 +（如果优化的话可以加上co-visibility、DBSCAN等进行优化image retrieval的结果）（存储确实很简单）   劣势：感觉时间会很慢，因此需要进行两两匹配，（印象中NC match也很慢（网络太大），可以考虑考虑换成superglue这样的gnn两层网络进行feature match）  

本文标签： 笔记论文Visuallearnlocalization

版权声明：本文标题：【论文笔记】To Learn or Not to Learn: Visual Localization from Essential Matrices（ICRA 2020） 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://m.elefans.com/dongtai/1726242811a1062346.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。