0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

为什么目前落地的主流SLAM技术很少用神经网络进行特征提取?

新机器视觉 来源:知乎 2023-05-19 10:25 次阅读

8a05c3f2-f5b6-11ed-90ce-dac502259ad0.png

SLAM目前在各领域都已经有很多的应用,但为什么大部分已经落地的都用的还是最传统的方法,比如目前最主流的ORB-SLAM,即使到ORB3也依旧用的是传统的FAST和BRIEF方法来检测和提取特征点,而不用CV领域里早已经普遍的神经网络如VGG等来提取特征点。当然最新的很多语义SLAM论文里都已经用到了如GCN等神经网络提取特征,但为什么目前落地和应用的大部分还用的是传统的方法?提取速度和所需算力应该不会有太大差异才是?*

作者:心态炸裂男孩

谈一下个人看法,可能不对。

首先slam是一个偏工程化的应用技术。因此算力成本是一个非常重要的因素。传统的特征提取速度快,算力成本低,可以在cpu运行。如果利用深度学习特征提取,算力包括gpu,深度学习特征带来的额外CPU和内存成本。问题是传统方法特征提取已经能满足大部分场景了。

深度学习提取的特征就一定好?显然不是的。因为数据集的原因,利用深度学习训练出的特征子适用性并不一定好。貌似网上有一篇论文,利用orbslam框架,对比了orb和superpoint的效果。发现有几组superpoint效果确实好,但是有几个序列视频利用superpoint的slam直接track lost.这就表现的不好了。

因此在大多数场景下,传统特征可以解决。利用深度学习特征就显得画蛇添足了,没有必要。当然在某些场景利用传统特征就不可行。如光照变化剧烈,相机运动剧烈等场景。在long term slam这个话题下,深度学习特征效果明显。

slam方法不仅仅是为了定位,个人觉得slam终极目的是复用地图。显然长时间定位这块大部分人的目光都是投入到深度学习特征上,去superpoints.r2d2特征。毕竟长时间定位会有时间,天气,光照,动态物体变化,传统方法根本就不能解决。而深度学习特征却可以保证长时间定位的准确度。

所以个人看法,虽然深度学习特征虽然用的不多。但未来基于深度学习特征slam会越来越多。

作者:余世杰

其他答主都说了好多了,算力问题以及提升率啥的。

我个人是觉得还有个原因是,特征匹配在视觉SLAM中的重要性没有到夸张的地步,在传统算法情况下,有一定的错误匹配也能得到较好的结果,前端重要的同时,后端更加重要。

那么多SLAM算法,前端都大同小异,而且帧之间的位姿变换好多都是先用匀速模型做初始值,去适配优化,实在不行再进行特征点的匹配求位姿。真正区别还是关键帧的处理,强调运动的整体性,而不是两张图之间单纯的匹配精度。

这是我个人的观点,有不对的还请大佬指正。

--以上来自2020年9月,回过头2023年5月自己使用测试过之后发现,目前的特征提取依赖性并不强,传统的也能做得比较好,反而神经网络的提取稳定性和重复性可能不够强。

但是对描述子的计算和匹配上,还是有一定参考性,更实用,感兴趣的朋友可以自己也测试看看

作者:刘国庆

谈谈我的看法吧,不一定正确,仅供参考:

1、算力和功耗问题,背后也是成本问题,也是最致命的问题。即使是TX2这类面向嵌入式的GPU,耗电和成本也非常可观……FPGA硬件实现网络,或者做订制ASIC可以同时解决算力和功耗问题,不过貌似学术界貌似认为这些不是它们应该解决的问题,而且结果复现严重依赖硬件,不太爽。算力相对受限这一点也是我个人做东西没有用基于学习的特征的原因。

另对于题主所言“提取速度和所需算力不会有太大差异”,请问是使用哪一种特征提取网络,又是和哪一种传统特征提取算法,在何种计算平台进行的对比测试所得到的结论呢?我没做过详细的耗时和算力需求对比,但是我还是对该结论有点怀疑。

2、够用就好,盲目追求高精度在落地应用方面是不可取的。好比Nvidia RTX 20系显卡,2080Ti价格比2080S提高了接近一倍,性能提升只有20%~30%,对于成本敏感的落地应用而言,你会做这个交易吗?何况2080s算力本身也不算差。

3、应该有正在推进中的落地应用,只是涉及到商业机密,你我不知道罢了。

原文链接:https://www.zhihu.com/question/419264201/answer/1467534631

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 神经网络
    +关注

    关注

    42

    文章

    4732

    浏览量

    100395
  • SLAM
    +关注

    关注

    23

    文章

    414

    浏览量

    31753
  • 深度学习
    +关注

    关注

    73

    文章

    5459

    浏览量

    120863

原文标题:为什么目前落地的主流SLAM技术很少用神经网络进行特征提取?

文章出处:【微信号:vision263com,微信公众号:新机器视觉】欢迎添加关注!文章转载请注明出处。

收藏 人收藏

    评论

    相关推荐

    卷积神经网络的应用场景及优缺点

    1.1 卷积神经网络的定义 卷积神经网络是一种深度学习模型,它通过模拟人类视觉系统的工作方式,对输入数据进行特征提取和分类。与传统的神经网络
    的头像 发表于 07-11 14:45 470次阅读

    三层神经网络模型的优缺点

    是一种前馈神经网络,由输入层、两个隐藏层和输出层组成。输入层接收输入数据,隐藏层对输入数据进行处理和特征提取,输出层生成最终的预测结果。 模型结构 三层神经网络模型的结构如下: 输入层
    的头像 发表于 07-11 10:58 370次阅读

    BP神经网络在语言特征信号分类中的应用

    Network),即反向传播神经网络,作为一种强大的多层前馈神经网络,凭借其优异的非线性映射能力和高效的学习机制,在语言特征信号分类中展现出了巨大的潜力。本文将从BP神经网络的基本原
    的头像 发表于 07-10 15:44 255次阅读

    深度神经网络与基本神经网络的区别

    在探讨深度神经网络(Deep Neural Networks, DNNs)与基本神经网络(通常指传统神经网络或前向神经网络)的区别时,我们需要从多个维度
    的头像 发表于 07-04 13:20 547次阅读

    如何设计人脸识别的神经网络

    识别技术主要分为两个步骤:人脸检测和人脸特征提取。人脸检测是指在图像中定位出人脸的位置和大小,人脸特征提取是指从人脸图像中提取出能够表征人脸特征
    的头像 发表于 07-04 09:20 488次阅读

    卷积神经网络的实现原理

    、训练过程以及应用场景。 卷积神经网络的基本原理 1.1 卷积操作 卷积神经网络的核心是卷积操作。卷积操作是一种数学运算,用于提取输入数据的特征。在图像处理中,卷积操作通常用于
    的头像 发表于 07-03 10:49 475次阅读

    如何使用神经网络进行建模和预测

    神经网络是一种强大的机器学习技术,可以用于建模和预测变量之间的关系。 神经网络的基本概念 神经网络是一种受人脑启发的计算模型,由大量的节点(神经
    的头像 发表于 07-03 10:23 613次阅读

    卷积神经网络的基本结构和工作原理

    和工作原理。 1. 引言 在深度学习领域,卷积神经网络是一种非常重要的模型。它通过模拟人类视觉系统,能够自动学习图像中的特征,从而实现对图像的识别和分类。与传统的机器学习方法相比,CNN具有更强的特征提取能力,能够处理更复杂的数
    的头像 发表于 07-03 09:38 366次阅读

    卷积神经网络训练的是什么

    、训练过程以及应用场景。 1. 卷积神经网络的基本概念 1.1 卷积神经网络的定义 卷积神经网络是一种前馈深度学习模型,其核心思想是利用卷积操作提取输入数据的局部
    的头像 发表于 07-03 09:15 309次阅读

    卷积神经网络的原理与实现

    核心思想是通过卷积操作提取输入数据的特征。与传统的神经网络不同,卷积神经网络具有参数共享和局部连接的特点,这使得其在处理图像等高维数据时具有更高的效率和更好的性能。 卷积层 卷积层是卷
    的头像 发表于 07-02 16:47 441次阅读

    卷积神经网络的基本结构及其功能

    。 引言 深度学习是机器学习的一个分支,它通过模拟人脑神经网络的结构和功能,实现对数据的自动学习和特征提取。卷积神经网络是深度学习中的一种重要模型,它通过卷积操作和池化操作,有效地提取
    的头像 发表于 07-02 14:45 946次阅读

    神经网络在图像识别中的应用

    随着人工智能技术的飞速发展,神经网络在图像识别领域的应用日益广泛。神经网络以其强大的特征提取和分类能力,为图像识别带来了革命性的进步。本文将详细介绍
    的头像 发表于 07-01 14:19 579次阅读

    基于毫米波雷达的手势识别神经网络

    方面的高精度。这一成功可以归因于训练数据和测试数据之间的特征相似性。总之,这些结果证实了我们提出的神经网络模型在提取相关运动特征进行鲁棒手
    发表于 05-23 12:12

    咳嗽检测深度神经网络算法

    哮喘、支气管炎和百日咳发生时的咳嗽音频信号的方法。在此,使用巴特沃斯高通滤波器进行预处理,并使用MFCC进行特征提取。此外,使用咳嗽特征的训练数据集,使用改进的CNN完成了咳嗽声音的分
    发表于 05-15 19:05

    基于胎心仪的胎儿心脏诊断神经网络

    ,然后使用卷积神经网络(CNN)并行处理 数据。最后,我们采用投票的方式来确定胎心率记录 的类别。我们还做了对比实验,采用基于基础统计的 特征提取方法来提取胎心率的特征。然后将这些
    发表于 05-14 18:47