点击上方“计算机视觉life”，选择“星标”
快速获得最新干货
本文转自江佩视觉LAB
标题：DF-SLAM: A Deep-Learning Enhanced Visual SLAM System based on Deep Local Features
作者：Rong Kang , Jieqi Shi , Xueming Li , Yang Liu , and Xiao Liu
来源：arvix 2019
编译：wyc
问题
传统的SLAM系统主要关注几何信息,但是对于非几何模型不能更好的定位和建图.
深度学习和SLAM系统结合缺点是不能够很好的适应环境,此外深度学习为了提高准确率会牺牲系统的效率,舍弃一些特征点.
贡献
本文提出一个基于区域特征描述的代替传统的手工描述的SLAM系统,提高系统的Location和Mampping准确度.
提出了一个使用学习区域特征的描述子替代传统的手工设计描述子提出的基于深度学习区域特征点的方法提高了SLAM系统的准确率和效率方法
系统结构
如图,系统由三部分组成特征点追踪,建图,回环检测.引入区域特征识别代替传统的ORB,SIFT其他特征提取算法,Track负责使用视觉特征匹配构建相邻帧之间的数据关联。
特征点提取
利用TFEAT网络来描述关键点周围的区域，并生成一个标准化的128-D浮点描述符。不同于传统的特征提取方法，我们不需要在特征提取之前进行高斯模糊，而是直接将原始图像作为输入。然后将提取的特征存储在每个帧中，并传递给跟踪、映射和循环关闭线程。
为了加快系统速度，引进视觉词典.
特征设计
一些优秀的CNN网路的区域特征描述子已经应用到SLAM,但是需要在效率和准确性之间取得正确平衡。该体系结构采用了TFEAT提出的三重网络结构。每个分支中只有两个卷积层，后面跟着tanh非线性。在第一个卷积层之后添加最大池，以减少参数并进一步加速网络。一个完全连接的层输出一个128-D描述符L2，作为网络的最后一层，它被标准化为单位长度。
损失函数定义为:
实验
1.EuRoC Dataset上与ORB-SLAM等算法对比 增加了回路闭合。
2.EuRoC Dataset上与ORB-SLAM等算法对比 没有回路闭合。
3. 定位精度对比
4.TUM数据集中ORB-SLAM2和DF-SLAM的比较。tracked numer是总共10个测试（ORB-SLAM2/DF-SLAM）中未丢失的测试数。
从0到1学习SLAM，戳↓
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~
投稿、合作也欢迎联系：simiter@126.com
扫描关注视频号，看最新技术落地及开源方案视频秀 ↓
