泡泡一分钟:Stabilize an Unsupervised Feature Learning for LiDAR-based Place Recognition
Stabilize an Unsupervised Feature Learning for LiDAR-based Place Recognition
Peng Yin, Lingyun Xu, Zhe Liu, Lu Li, Hadi Salman, Yuqing He
Abstract— Place recognition is one of the major challenges for the LiDAR-based effective localization and mapping task.Traditional methods are usually relying on geometry matching to achieve place recognition, where a global geometry map need to be restored. In this paper, we accomplish the place recognition task based on an end-to-end feature learning framework with the LiDAR inputs. This method consists of two core modules, a dynamic octree mapping module that generates local 2D maps with the consideration of the robot’s motion; and an unsupervised place feature learning module which is an improved adversarial feature learning network with additional assistance for the long-term place recognition requirement. More specially, in place feature learning, we present an additional Generative Adversarial Network with a designed Conditional Entropy Reduction module to stabilize the feature learning process in an unsupervised manner. We evaluate the proposed method on the Kitti dataset and North Campus Long-Term LiDAR dataset. Experimental results show that the proposed method outperforms state-of-the-art in place recognition tasks under long-term applications. What’s more,the feature size and inference efficiency in the proposed method are applicable in real-time performance on practical robotic platforms.
位置识别是基于LiDAR的有效定位和建图任务的主要挑战之一。传统方法通常依赖于几何匹配来实现位置识别,其中需要恢复全局几何图。在本文中,我们基于具有LiDAR输入的端到端特征学习框架完成了位置识别任务。该方法由两个核心模块组成,一个动态八叉树映射模块,在考虑机器人运动的情况下生成局部二维映射; 和一个无监督的地方特色学习模块,它是一个改进的对抗性特征学习网络,为长期地点识别要求提供额外帮助。更具体地说,就位置特征学习,我们提出了一个额外的生成对抗网络,其具有设计的条件熵减少模块,以无人监督的方式稳定特征学习过程。我们在Kitti数据集和North Campus长期LiDAR数据集上评估所提出的方法。实验结果表明,该方法在长期应用中优于现有技术的识别任务。 而且,所提出的方法中的特征尺寸和推理效率适用于实际机器人平台上的实时性能。
在本文中,我们提出了一种基于端到端的基于LiDAR的特征学习框架,用于长期地点识别任务,其中地点识别是通过低维特征匹配而不是几何匹配来实现的。所提出的方法结合了两个核心模块,一个动态八叉树映射模块,它考虑到机器人的运动产生鸟类的局部视图,以及一个地点特征推理模块,它捕获有限数据样本的唯一地图特征映射。更具体地说,就位置特征学习,我们以完全无监督的方式稳定特征学习过程。在Kitti和North Campus长期LiDAR数据集上进行的实验表明,所提出的框架在变体视点差异下优于现有的最先进技术方法。
图1 八叉树结构。 每个节点被分成具有相等子空间的八个子节点。
图2 动态八叉树建图结果的示例。 第一行显示原始点云数据; 第二行显示基于所提出的动态八叉树建图的累积占用图; 第三行显示投影的鸟瞰2D地图。
图3 双向生成对抗网络。
图4 稳定对抗特征学习的框架。
图5 不同方向角度下不同方法的精确回忆曲线。 从第一列到最后一列,航向取向差异分别为22.5°到337.5°。
图6 不同航向取向情况下地点识别结果的AUC指数。
泡泡一分钟:Stabilize an Unsupervised Feature Learning for LiDAR-based Place Recognition的更多相关文章
- paper 124:【转载】无监督特征学习——Unsupervised feature learning and deep learning
来源:http://blog.csdn.net/abcjennifer/article/details/7804962 无监督学习近年来很热,先后应用于computer vision, audio c ...
- 转:无监督特征学习——Unsupervised feature learning and deep learning
http://blog.csdn.net/abcjennifer/article/details/7804962 无监督学习近年来很热,先后应用于computer vision, audio clas ...
- [转] 无监督特征学习——Unsupervised feature learning and deep learning
from:http://blog.csdn.net/abcjennifer/article/details/7804962 无监督学习近年来很热,先后应用于computer vision, audio ...
- UFLDL(Unsupervised Feature Learning and Deep Learning)
UFLDL(Unsupervised Feature Learning and Deep Learning)Tutorial 是由 Stanford 大学的 Andrew Ng 教授及其团队编写的一套 ...
- Unsupervised Feature Learning via Non-Parametric Instance Discrimination
目录 概 主要内容 Wu Z., Xiong Y., Yu S. & Lin D. Unsupervised Feature Learning via Non-Parametric Insta ...
- [论文阅读] A Discriminative Feature Learning Approach for Deep Face Recognition (Center Loss)
原文: A Discriminative Feature Learning Approach for Deep Face Recognition 用于人脸识别的center loss. 1)同时学习每 ...
- Center Loss - A Discriminative Feature Learning Approach for Deep Face Recognition
URL:http://ydwen.github.io/papers/WenECCV16.pdf这篇论文主要的贡献就是提出了Center Loss的损失函数,利用Softmax Loss和Center ...
- Unsupervised Feature Learning and Deep Learning(UFLDL) Exercise 总结
7.27 暑假开始后,稍有时间,“搞完”金融项目,便开始跑跑 Deep Learning的程序 Hinton 在Nature上文章的代码 跑了3天 也没跑完 后来Debug 把batch 从200改到 ...
- A Discriminative Feature Learning Approach for Deep Face Recognition
url: https://kpzhang93.github.io/papers/eccv2016.pdf year: ECCV2016 abstract 对于人脸识别任务来说, 网络学习到的特征具有判 ...
随机推荐
- 一文看懂 Dubbo 的集成与使用
前言 今年年初时,阿里巴巴开源的高性能服务框架dubbo又开始了新一轮的更新,还加入了Apache孵化器.原先项目使用了spring cloud之后,已经比较少用dubbo.目前又抽调回原来的行业应用 ...
- settings.xml配置详解
简单值 一半顶层settings元素是简单值,它们表示的一系列值可以配置Maven的核心行为:settings.xml中的简单顶层元素 < settings xmlns="http:/ ...
- scala sortBy and sortWith
sortBy: sortBy[B](f: (A) ⇒ B)(implicit ord: math.Ordering[B]): List[A] 按照应用函数f之后产生的元素进行排序 sorted: so ...
- hihocoder第237周:三等分带权树
题目链接 问题描述 给定一棵树,树中每个结点权值为[-100,100]之间的整数.树中包含结点总数不超过1e5.任选两个非根节点A.B,将这两个结点与其父节点断开,可以得到三棵子树.现要求三棵子树的权 ...
- [Aaronyang紫色博客] 写给自己的WPF4.5-Blend5公开课系列 3 - 再来一发
我的文章一定要做到对读者负责,否则就是失败的文章 --------- www.ayjs.net aaronyang技术分享 深入路径的Blend技巧课,Ay原创,自己琢磨讲解 内容已经迁 ...
- pandas DataFrame(4)-向量化运算
pandas DataFrame进行向量化运算时,是根据行和列的索引值进行计算的,而不是行和列的位置: 1. 行和列索引一致: import pandas as pd df1 = pd.DataFra ...
- Node入门教程(11)第九章:Node 的网络模块
net网络模块 net模块是node对TCP或者IPC开发的封装,包括了客户端和服务器端相关API.对于阅读本文,请您有一定的网络编程的基础.您需要已经了解了: ip协议,会配置ip地址 了解dns解 ...
- Fedora 21 安装 Bumblebee with the NVIDIA proprietary drivers
最新文章:Virson's Blog 参考Fedora Wiki:http://fedoraproject.org/wiki/Bumblebee#Fedora_21
- Ogre2.1 Hlms与渲染流程
在我前面三篇说明Ogre2.x的文章里,第一篇大致说了下Hlms,第二篇说了下和OpenGL结合比较紧的渲染,本文用来说下Hlms如何影响渲染流程中,因为有些概念已经在前面二文里说过了,本文就不再提, ...
- [hive] hive 安装、配置
一.hive安装 1.官网下载 1.2.2版本 http://apache.fayea.com/hive/hive-1.2.2/ 2. 解压,此处目录为 /opt/hadoop/hive-1.2.2 ...