Resumen

Los sistemas de odometría visual basados en aprendizaje profundo han mostrado un rendimiento prometedor en comparación con los sistemas de odometría visual basados en geometría. En este artículo, proponemos un nuevo marco de red neuronal profunda, llamado Red Neuronal Convolucional Siamesa Profunda (DSCNN, por sus siglas en inglés), y diseñamos un VO monocular basado en DL que depende de DSCNN. El DSCNN-VO propuesto no solo considera la información de orden positivo de la secuencia de imágenes, sino que también se enfoca en la información de orden inverso. Emplea un entrenamiento supervisado basado en datos sin depender de ningún módulo en el algoritmo tradicional de odometría visual para que el DSCNN aprenda la información geométrica entre imágenes consecutivas y estime una pose de seis grados de libertad y recupere la trayectoria usando una cámara monocular. Después de que el DSCNN esté entrenado, la salida del DSCNN-VO es una pose relativa. Luego

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Aprendizaje profundo; Odometría visual; Red neuronal; DSCNN; Cámara monocular; Trayectoria
• Keywords:Deep learning; Visual odometry; Neural network; DSCNN; Monocular camera; Trajectory