极市直播丨朱思语：基于深度学习的视觉稠密建图和定位

一直以来，为让大家更好地了解学界业界优秀的论文和工作，极市已邀请了超过90位技术大咖嘉宾，并完成了82期极市线上直播分享。往期分享请前往bbs.cvmart.net/topics/149或直接阅读原文，也欢迎各位小伙伴自荐或推荐更多优秀的技术嘉宾到极市进行技术分享，与大家一起交流学习~~

随着深度学习的快速发展，视觉稠密建图和定位技术从传统的基于手工特征点的检测、匹配加之数值优化，发展到现在的基于深度神经网络的特征检测、匹配和学习优化(Learning to Optimize)，近些年涌现出了很多新的方法。

在这次分享中，我们邀请到了阿里云人工智能实验室算法团队负责人朱思语，分享他们最新的基于深度神经网络的密集特征匹配、不依赖场景的视觉定位以及基于深度递归优化器的运动恢复结构（Structure from Motion）等工作。最后会对基于视觉的建图和定位技术未来发展的趋势做简要总结。

01

直播信息

时间

2021年5月26日（周三）20:00-21:00

主题

基于深度学习的视觉稠密建图和定位

02

嘉宾介绍

朱思语

阿里云人工智能实验室算法团队负责人，主要负责空间数字化以及新零售行业线的算法研发团队。朱思语博士在ICCV、CVPR、ECCV、PAMI等计算机视觉国际学术会议和期刊上发表30多篇论文。朱思语于2012年获得浙江大学计算机科学学士学位，2017年获得了香港科技大学计算机科学与工程博士学位。

03

关于分享

➤分享大纲

第一部分：视觉建图和定位技术概述：

  • 传统的和基于深度神经网络的视觉建图技术回顾

  • 传统的和基于深度神经网络的视觉定位技术回顾

  • 视觉建图和定位技术当前的挑战

第二部分：基于深度学习的稠密建图：

  • 基于深度神经网络的稠密特征点匹配

  • 基于学习优化(Learning to Optimize)的稠密建图

第三部分：基于深度学习的视觉定位：

  • 基于深度神经网络且无场景依赖的稠密视觉定位

第四部分：视觉建图和定位技术展望

  • 趋势#1：利用深度神经网络的特征进一步解决手动特征的局限性

  • 趋势#2：利用学习优化（Learning to Optimize）替代传统数值优化

  • 趋势#3：利用深度神经网络的预测能力提升建图和定位的精度和鲁棒性

➤论文

1.Learning Camera Localization via Dense Scene Matching

论文地址：

https://arxiv.org/abs/2104.14545 

2.End-to-End Learning Local Multi-view Descriptors for 3D Point Clouds

论文地址：

https://arxiv.org/abs/2003.05855

3.Cascade Cost Volume for High-Resolution Multi-View Stereo and Stereo Matching

论文地址：

https://arxiv.org/abs/1912.06378

4.Stereo Matching by Self-supervision of Multiscopic Vision

论文地址：

https://arxiv.org/abs/2104.04170

5.AR Mapping: Accurate and Efficient Mapping for Augmented Reality

论文地址：

https://arxiv.org/abs/2103.14846

6.Compact 3D Map-Based Monocular Localization Using Semantic Edge Alignment

论文地址：

https://arxiv.org/abs/2103.14826

7.DRO: Deep Recurrent Optimizer for Structure-from-Motion

论文地址：

https://arxiv.org/abs/2103.13201

04

参与方式

赞 (0)

相关推荐