墨尔本大学提出水下视觉SLAM中的知识蒸馏：提升特征提取性能

z以下内容来自小六的机器人SLAM学习圈知识星球每日更新内容

点击领取学习资料 → 机器人SLAM学习资料大礼包

论文##开源数据集#开源代码# Knowledge Distillation for Feature Extraction in Underwater VSLAM

论文地址：https://arxiv.org/abs/2303.17981

作者单位：墨尔本大学

数据集地址：https://github.com/Jinghe-mel/UFEN-SLAM

近年来，基于学习的特征检测和匹配方法在空中情况下的表现优于人工设计的方法。然而，由于缺乏带标注的水下数据集，学习水下场景中的特征是具有挑战性的。提出了一种用于训练水下特征检测与匹配网络(UFEN)的跨模式知识提取框架。特别是，我们使用空中RGBD数据来生成基于物理水下成像编队模型的合成水下图像，并使用这些作为媒介从预先训练的空中图像的教师模型SuperPoint中提取知识。

我们将UFEN嵌入到ORB-SLAM3框架中，通过引入额外的二进制化层来取代ORB特征。为了测试我们方法的有效性，我们建立了一个新的水下数据集，该数据集带有地面真实测量，名为EASI，记录在室内水箱中，针对不同的浊度水平。在现有数据集和我们的新数据集上的实验结果证明了该方法的有效性。

本文贡献如下：

1、提出了水下特征提取网络(UFEN)，这是一种直接从水下图像上提取和匹配特征点的水下特征点检测和描述神经网络。

2、我们通过合成水下图像将空中场景的预训练模型(SuperPoint)的知识传递到UFEN模型。

3、我们提出了一种单目水下VSLAM系统UFEN-SLAM，通过在描述符解码器的末尾引入额外的二值化层，将UFEN集成到最先进的基于特征的VSLAM框架-ORB-SLAM3中。

4、我们构建了一个称为EASI的水下数据集，该数据集通过具有不同水浊度水平的运动跟踪系统测量到的真值，并在该数据集上评估了我们的方法的性能。






以上内容来自小六的机器人SLAM学习圈知识星球每日更新内容