Глубокая визуальная инерциальная одометрия с фильтром Калмана

Изучите передовые возможности интеграции глубокого обучения в визуально-инерциальную одометрию в нашем обширном репозитории на GitHub. Этот проект посвящен разработке облегченной архитектуры сверточных нейронных сетей. В нем особое внимание уделяется использованию экспоненциальных карт и групп Ли для уточнения обучения нейронных сетей с использованием визуальных и инерциальных данных, что повышает точность навигации от кадра к кадру без использования традиционных рекуррентных нейронных сетей (RNN). Подробно изучите технические детали нашей системы и ее практическое применение в реальных сценариях автономной навигации.

---------------------------------------------------------------------------------------------------
📝Источники видео
➡️ Git Deep V-I-O: https://github.com/ElliotHYLee/Deep_V...
➡️ Git Deep VO: https://github.com/ChiWeiHsiao/DeepVO...

-------------------------------------------------------------------
🌏 Ищите меня здесь:
🔥Linkedin:   / hongyun-elliot-lee  
🔥Discord:   / discord  
🔥ubicoders: https://www.ubicoders.com/
🔥Блог: https://www.ubicoders.com/blogs
🔥GitHub: https://github.com/ubicoders/

-----------------------------------------------------------------------------------
⏲️Временные метки:
0:00 вступление
1:17 калибровка камеры — традиционный конвейер визуальной одометрии
2:13 сопоставление и извлечение признаков — традиционный конвейер визуальной одометрии
3:33 3D-облако точек — традиционный конвейер визуальной одометрии
5:00 вычисление поворота и перемещения камеры — традиционный конвейер визуальной одометрии
6:07 оптический поток
7:13 flownet — оптический поток CNN
8:08 оценка движения камеры с помощью глубокого обучения
10:12 дополнительные фоновые данные, необходимые для этого проекта
13:53 полуконтролируемое обучение с использованием расстояния Махаланобиса
19:05 демонстрация и результаты
25:00 есть ли лучший подход?
26:06 Требования к коду
29:58 Быстрый демонстрационный файл
33:14 Демонстрация построения графика только с результатами
40:26 Демонстрация обёртывания фильтра Калмана
43:10 Объяснение считывателей данных
45:16 Объяснение моделей

#глубокоеобучение #свёрточныенейронныесети #компьютерноезрение