为了提高双目直接稀疏里程计(Stereo Direct Sparse Odometry,Stereo DSO)的定位速度和精度,使得移动机器人可以更有效地执行任务,提出了一种基于双目强约束的直接稀疏视觉里程计系统。基于直接法的即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)系统直接对图像像素构建光度误差优化函数,无需提取特征点,克服了基于特征点法的SLAM系统在弱纹理场景下不鲁棒的缺陷,并且在前端跟踪阶段效率更高。提出一种快速、准确的双目初始化方法,结合三角化不确定性为不同类型的点赋予不同的深度范围,加速深度滤波器的收敛。同时,在运动估计阶段引入双目约束,使得该系统在绝对尺度上的定位更加准确。通过在公开的KITTI数据集11个序列上进行实验,实验结果表明所提出的算法在定位精度上明显优于同样采用直接法的Stereo Large Scale Direct SLAM(LSDSLAM2)和Stereo DSO,并达到与基于特征点法的ORB-SLAM3相近的水平,为直接法SLAM提供一种更优的定位方案。
由于航空影像复杂多变的视角,目标呈现出拥挤、聚集及旋转等特点,传统目标检测中的水平边框难以契合地表示目标的几何轮廓及位置信息。本文提出了单阶段基于姿态表示的旋转目标检测网络。该网络将不同旋转角目标表示成不同姿态,通过检测目标的中心位置及回归4个顶点相对坐标来实现旋转目标的检测。同时使用了自适应特征金字塔网络,利用可学习权重自动从多尺度特征中选择更具判别性的特征。针对航空影像高分辨率的特点,提出选择性采样策略以提高网络训练效率和缓解网络正负样本不平衡问题。本方法在DOTA遥感数据集旋转目标检测任务上的平均精度(mean Average Precision,mAP)达到74.9%,超过了现有单阶段甚至部分双阶段的方法。定性与定量的对比实验表明,基于姿态表示的旋转目标检测网络具有设计简单、检测性能更高的优势。
本文在Point MLP方法的基础上,提出了基于通道分离机制的双分支网络模块(Channel-splited Based Dual-branch Block,CDBlock)。CDBlock将输入特征在通道维度上切分成两组特征,并将它们输入到双分支网络模块中的不同网络分支上。具体地,双分支网络模块包括轻量网络分支和深层网络分支。轻量网络分支由残差多层感知机(Multilayer Perceptron,MLP)结构组成,负责提取浅层特征信息。深层网络分支由瓶颈网络结构组成,负责提取深层语义信息。CDBlock的引入提升了网络的对点云数据的特征提取能力和学习能力,有效地提高了模型的鲁棒性。本文方法在点云分类数据集ScanObjectNN上进行了验证,总体精度和类别平均精度分别达到了86.2%和84.97%,优于Point MLP。此外,本文方法在点云分割数据集Shape Net Part上也取得了具有竞争力的结果。相比于Point MLP,本文方法在使用更少的参数量和计算量情况下取得了更优异的结果。
