关于从深度学习视觉里程计引擎设计一致协方差恢复的研究
On Designing Consistent Covariance Recovery from a Deep Learning Visual Odometry Engine
AI总结：
本文针对预训练深度学习单目视觉里程计模型的不确定性估计问题，提出在深度学习网络的隐含层构建因子图以恢复相对协方差估计，并在EUROC数据集上验证了该方法的一致性。
摘要：
深度学习技术通过利用大规模数据集，在提供精确的视觉里程计解决方案方面取得了显著进展。然而，为这些方法生成不确定性估计仍然是一个挑战。在贝叶斯框架下的传统传感器融合方法已经非常成熟，但具有数百万参数的深度学习技术缺乏高效的不确定性估计方法。本文解决了预训练深度学习模型在单目视觉里程计中的不确定性估计问题。我们提出在深度学习网络的隐含层上构建因子图，以恢复相对协方差估计，这使我们能够确定视觉里程计（VO）解的协方差。我们通过对EUROC数据集上的协方差模型进行经验分析，展示了深度学习引擎协方差近似的一致性，从而证明了我们公式的正确性。
英文摘要：
Deep learning techniques have significantly advanced in providing accurate visual odometry solutions by leveraging large datasets. However, generating uncertainty estimates for these methods remains a challenge. Traditional sensor fusion approaches in a Bayesian framework are well-established, but deep learning techniques with millions of parameters lack efficient methods for uncertainty estimation. This paper addresses the issue of uncertainty estimation for pre-trained deep-learning models in monocular visual odometry. We propose formulating a factor graph on an implicit layer of the deep learning network to recover relative covariance estimates, which allows us to determine the covariance of the Visual Odometry (VO) solution. We showcase the consistency of the deep learning engine's covariance approximation with an empirical analysis of the covariance model on the EUROC datasets to demonstrate the correctness of our formulation.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
