Comparative Study of Traditional and Deep Learning Feature Detectors and Matchers for Land Vehicle Monocular Visual Odometry
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Visual odometry (VO) enables autonomous navigation for land vehicles by estimating motion through visual data. This paper presents a comparative study of traditional feature detection and matching methods versus deep learning-based approaches in the context of land vehicle visual odometry. In feature detection, we evaluate classical techniques, namely, SIFT and ORB, alongside the state-of-the-art deep learning frameworks SuperPoint and DISK. In feature matching, we compare traditional nearest neighbor matching methods, namely, Fast Library for Approximate Nearest Neighbors (FLANN), Second Nearest Neighbor (SNN), Second Mutual Nearest Neighbor (SMNN), First-to-First Geometrically Inconsistent (FGINN) to the deep learning based Adaptive Locally-Affine Matching(ADALAM), and LightGlue. The study emphasizes performance metrics, including computational efficiency and trajectory estimation accuracy, under varying environmental conditions common in driving scenarios. Our findings highlight the strengths and limitations of each method, demonstrating that while deep learning methods excel in challenging scenarios, traditional techniques remain competitive in specific applications due to their computational simplicity. This work provides valuable insights into selecting and designing feature detection and matching pipelines for robust land vehicle VO systems. Our work provides insights that underscore the importance of tailoring detector-matcher combinations for diverse driving scenarios, balancing accuracy and computational efficiency. We made our implementation open-source at: https://github.com/olaayman/MonocularVisualOdometry.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle