《表2 精密度试验结果：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方法在最开始将相机位姿问题归纳为分类问题，无法在未知环境中应用，并且无法得到相机的旋转信息，后将帧间估计问题归纳为回归问题得以重视。最开始通过单纯的卷积神经网络得出相机的位置与姿态，在发展过程中还加入了光流、特征点等特征向量提高回归的精度。后来将卷积神经网络结构转换为循环卷积神经网络结构，加入了时间依赖性，对帧间估计问题适用性非常强，大大地提升了帧间估计的位置和旋转精度，甚至超越了一些经典的单目帧间估计方法。表2中列举了基于深度学习实现视觉里程计经典的网络结构及其定位结果与性能的比较。