Stereo Visual Odometry with Deep Learning-Based Point and Line Feature Matching using an Attention Graph Neural Network

要約

堅牢な特徴マッチングは、ほとんどの Visual Simultaneous Localization and Mapping (vSLAM)、ビジュアル オドメトリ、3D 再構築、および Structure from Motion (SfM) アルゴリズムのバックボーンを形成します。
ただし、テクスチャの貧弱なシーンから特徴一致を回復することは大きな課題であり、依然として未解決の研究領域です。
この論文では、点と線の特徴に基づくステレオ ビジュアル オドメトリ (StereoVO) 技術を紹介します。この技術は、霧などの悪天候下でも良好に機能するように設計されたアテンション グラフ ニューラル ネットワークに基づく新しい特徴マッチング メカニズムを使用します。
霧、雨、雪、および夜間の照明やグレア シナリオなどの動的な照明条件。
複数の実際のデータセットと合成データセットで実験を実行し、堅牢な点と線のマッチングを通じて、視界が悪い天候や照明条件下で StereoVO を実行するメソッドの能力を検証します。
結果は、私たちの方法が最先端のライン マッチング アルゴリズムよりも多くのライン フィーチャのマッチングを実現し、ポイント フィーチャのマッチングを補完すると、悪天候や動的な照明条件でも一貫して良好に機能することを示しています。

要約(オリジナル)

Robust feature matching forms the backbone for most Visual Simultaneous Localization and Mapping (vSLAM), visual odometry, 3D reconstruction, and Structure from Motion (SfM) algorithms. However, recovering feature matches from texture-poor scenes is a major challenge and still remains an open area of research. In this paper, we present a Stereo Visual Odometry (StereoVO) technique based on point and line features which uses a novel feature-matching mechanism based on an Attention Graph Neural Network that is designed to perform well even under adverse weather conditions such as fog, haze, rain, and snow, and dynamic lighting conditions such as nighttime illumination and glare scenarios. We perform experiments on multiple real and synthetic datasets to validate the ability of our method to perform StereoVO under low visibility weather and lighting conditions through robust point and line matches. The results demonstrate that our method achieves more line feature matches than state-of-the-art line matching algorithms, which when complemented with point feature matches perform consistently well in adverse weather and dynamic lighting conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google