《表1 原料气组成：视觉SLAM的研究现状与展望》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《视觉SLAM的研究现状与展望》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

基于深度学习的帧间估计将图像的特征蕴涵在深度神经网络的神经元中，是由低层次特征逐渐到高层次特征的一种特征学习的过程。与经典的帧间估计方法相比，基于深度学习的帧间估计需要大量的图像数据库进行训练，训练时间较长。但是在训练结束后得到具有权重的神经网络结构，其以端到端的架构实现，测试时间短可以快速地得到相机位姿信息；因网络结构参数众多容易发生过拟合，但引入随机失活、提前停止等方法减少结构的复杂性，稀疏化参数，模型的泛化能力强。基于深度学习的帧间估计可以通过迁移学习进行成果共享，但是这样的相机位姿估计过程少了直观性。表1中列举了经典几何方法与深度学习实现帧间估计的不同项目的对比。