Lucas--Kanade
PulseAugur coverage of Lucas--Kanade — every cluster mentioning Lucas--Kanade across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的神经符号光流法增强了视觉里程计
研究人员开发了NSFlow，一种新颖的端到端可微分神经符号框架，用于光流估计。这种混合方法结合了卷积神经网络（CNN）在特征提取方面的鲁棒性与可微分Lucas-Kanade优化器的几何一致性。NSFlow旨在弥合传统基于优化方法与纯粹基于学习的替代方法之间的差距，在诸如大运动和低纹理等挑战性条件下提供改进的性能。该系统设计用于在嵌入式平台上进行实时操作，并已在视觉里程计和视觉-惯性里程计系统中展示出显著的改进。
-
四旋翼无人机利用立体视觉实现无IMU状态估计
研究人员为四旋翼无人机开发了一种新颖的纯视觉状态估计系统，该系统不依赖惯性测量单元（IMU）或GPS等外部定位系统。该系统利用一对立体摄像头，通过将静止场景点视为隐式惯性参考来估计四旋翼无人机的机体坐标系姿态、速度和其他参数。它生成一个稀疏的3D点云，其中包含每个点的速度和协方差，可作为下游世界模型的输入，无需外部依赖。
-
新框架将深度学习特征集成到视觉惯性 SLAM 中
研究人员开发了 DL-VINS-Factory，这是一个模块化框架，旨在将深度学习特征集成到视觉惯性 SLAM (VI-SLAM) 系统中。该框架允许将 ALIKED、SuperPoint 和 RaCo 等各种学习到的特征提取器与 Lucas-Kanade 光流或 LightGlue 描述符匹配等跟踪方法相结合。跨不同数据集的基准测试表明，虽然学习到的前端对于实时嵌入式 VI-SLAM 是可行的，但它们并不普遍优于经典方法，性能因环境…
-
DL-VINS-Factory 框架集成了用于视觉-惯性 SLAM 的学习特征
研究人员开发了 DL-VINS-Factory，一个灵活的视觉-惯性 SLAM 框架，它将各种学习到的特征提取器与跟踪和回环检测方法相结合。跨多个数据集的基准测试显示，虽然学习到的特征对于实时嵌入式系统是可行的，但它们并不普遍优于传统的跟踪技术。然而，特定的配置在准确性方面显示出显著的改进，尤其是在具有挑战性的户外和剧烈运动场景中，其中一些在嵌入式硬件上实现了实时运行。