• 问答
  • 技术
  • 实践
  • 资源
极市直播预告丨朱思语:基于深度学习的视觉稠密建图和定位
技术直播

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

直播链接:http://live.bilibili.com/3344545


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

互动答疑


➤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


如有直播内容相关的疑问,也可在本帖下留言~

  • 2
  • 2
  • 1442
收藏
暂无评论
Admin
大咖

极市平台

  • 20,442

    关注
  • 1,150

    获赞
  • 132

    精选文章
近期动态
  • 极市社区管理员,分享计算机视觉各个方向视觉干货,欢迎关注
文章专栏
  • 极市平台