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
- Grails 第二课
package helloworld import groovy.swing.SwingBuilder import java.awt.BorderLayout import groovy.swing ...
- 动态改变APP图标
一.iOS动态更换App图标(一):基础使用 该功能应用的场景 1.白天/夜间模式切换,在切换App主色调同时切换App图标. 2.各类皮肤主题(淘宝就可换肤),附带App图标一块更换. 3.利用Ap ...
- 12C -- ORA-01017
本地使用使用sqlplus,尝试连接12.2数据库报错: 在另外一台服务器上,使用sqlplus连接该库,可以成功: 解决方案: 根据MOS文档id:207303.1看出,只有11.2.0.3之上的客 ...
- 项目通过tomcat部署到服务器,请求数据中文乱码问题
问题: 本地项目请求访问,浏览器中文输出没问题.部署到服务器上面之后,返回到浏览器的中文就乱码了. 尝试办法: 1.修改tomcat下的conf中的service.xml中的配置信息: 重新启动后,没 ...
- 【经验分享】我经历的几门MOOC
这半年来,从1月初到6月底,在coursera上注册了4们有关数据分析/挖掘的课程.这些课程都是利用业余时间学习,每周基本上花5个小时左右.其中通过了3门,注销了一门.感觉还是学到了一些东西. 第一门 ...
- android sdk manager 代理设置
启动 Android SDK Manager ,打开主界面,依次选择「Tools」.「Options...」,弹出『Android SDK Manager - Settings』窗口: 在『Andro ...
- 物联网架构成长之路(7)-EMQ权限验证小结
1. 前言 经过前面几小节,讲了一下插件开发,这一小节主要对一些代码和目录结构进行讲解,这些都是测试过程中一些个人经验,不一定是官方做法.而且也有可能会因为版本不一致导致差异. 2. 目录结构 这个目 ...
- Unity实现混合模式的ADD模式
一般来说,2D的特效都会用到ADD模式来播放,但是Unity居然没有内置任何的混合模式,网上资料太少,没有写好的Shader,这里提供下我自己编写Shader: Shader "Unlit/ ...
- python os.system()和os.popen()
1>python调用Shell脚本,有两种方法:os.system()和os.popen(),前者返回值是脚本的退出状态码,后者的返回值是脚本执行过程中的输出内容.>>>hel ...
- Source Insight 有用设置配置
source insight代码对齐Tab键终极版 以前也写过一个source insight代码对齐,由于自己理解不够深刻,只能解决部分问题,不能根治在source insight中对齐的代码在XX ...