声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：21-1137/TP
国际刊号：1002-0446
发布日期:
作者：陈宗海, 洪洋, 王纪凯, 葛振华
关键词：卷积LSTM, 循环卷积神经网络, 单目视觉里程计, 无监督学习
提出了一种基于卷积长短期记忆（LSTM）网络和卷积神经网络（CNN）的单目视觉里程计方法，命名为LSTMVO（LSTM visual odometry）.LSTMVO采用无监督的端到端深度学习框架，对单目相机的6-DoF位姿以及场景深度进行同步估计.整个网络框架包含位姿估计网络以及深度估计网络，其中位姿估计网络是以端到端方式实现单目位姿估计的深度循环卷积神经网络（RCNN），由基于卷积神经网络的特征提取和基于循环神经网络（RNN）的时序建模组成，深度估计网络主要基于编码器和解码器架构生成稠密的深度图.同时本文还提出了一种新的损失函数进行网络训练，该损失函数由图像序列之间的时序损失、深度平滑度损失和前后一致性损失组成.基于KITTI数据集的实验结果表明，通过在原始单目RGB图像上进行训练，LSTMVO在位姿估计精度以及深度估计精度方面优于现有的主流单目视觉里程计方法，验证了本文提出的深度学习框架的有效性.
来源：2019年第2期
《机器人》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。