轻量化特征点及可变形描述符提取网络

作     者：方宝富 张克傲 王浩 袁晓辉 FANG Baofu;ZHANG Keao;WANG Hao;YUAN Xiaohui

作者机构：合肥工业大学计算机与信息学院合肥230601 合肥工业大学大数据知识工程教育部重点实验室合肥230009 Department of Computer Science and EngineeringUniversity of North TexasDentonTexas 76201United States 

基　　金：安徽省自然科学基金项目(No.2308085MF203) 安徽高校协同创新项目(No.GXXT-2022-055) 民航飞行技术与飞行安全重点实验室重点项目(No.FZ2022ZZ02)资助 

出 版 物：《模式识别与人工智能》 (Pattern Recognition and Artificial Intelligence)

年 卷 期：2024年第37卷第12期

页      码：1107-1120页

摘      要：特征点提取是视觉同时定位与建图(Visual Simultaneous Localization and Mapping,VSLAM)的重要步骤之一,近年来出现的基于深度学习的特征点提取方法通常效率较低,无法满足实时性要求,也不能提供描述符所需的几何不变性.为此,文中提出轻量化特征点及可变形描述符提取网络(Lightweight Keypoint and Deformable Descriptor Extraction Network,LKDD-Net),在主干网络中引入轻量化网络模块,提高特征提取效率.LKDD-Net可同时获取特征点位置和可变形描述符.为了验证LKDD-Net的有效性,设计视觉里程计系统.在HPatches、TUM RGB-D公共数据集上的实验表明,LKDD-Net可在GPU上实时运行,特征点提取时间仅为8.3 ms,同时在各种场景中保持高精度和强鲁棒性,而且其构成的视觉里程计系统性能较优.

主 题 词：特征点提取 描述符 轻量化网络 视觉里程计 

学科分类：081203[081203] 08[工学] 0835[0835] 0812[工学-测绘类] 

核心收录：

D　O　I：10.16451/j.cnki.issn1003-6059.202412006

馆 藏 号：203157113...