JP7280393B2 - 視覚位置決め方法、関連モデルの訓練方法及び関連装置並びに機器 - Google Patents
視覚位置決め方法、関連モデルの訓練方法及び関連装置並びに機器 Download PDFInfo
- Publication number
- JP7280393B2 JP7280393B2 JP2021578181A JP2021578181A JP7280393B2 JP 7280393 B2 JP7280393 B2 JP 7280393B2 JP 2021578181 A JP2021578181 A JP 2021578181A JP 2021578181 A JP2021578181 A JP 2021578181A JP 7280393 B2 JP7280393 B2 JP 7280393B2
- Authority
- JP
- Japan
- Prior art keywords
- point
- matching
- points
- image
- point pairs
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Description
本願は、2020年10月16日に中国特許局に提出された、出願番号が202011110569.5である中国特許出願に基づいて提出されるものであり、当該中国特許出願の優先権を主張し、当該中国特許出願の全ての内容が参照として本願に組み込まれる。
[技術分野]
本開示は、コンピュータビジョンの技術分野に関し、特に、視覚位置決め方法、関連モデルの訓練方法及び関連装置並びに機器に関する。
例えば、本願は以下の項目を提供する。
(項目1)
マッチング予測モデルの訓練方法であって、
サンプル画像及びマップデータを用いて、サンプルマッチングデータを構築することであって、前記サンプルマッチングデータは、いくつかのグループの点ペア及び各グループの点ペアの実際の一致値を含み、各グループの点ペアの2つの点はそれぞれ前記サンプル画像及び前記マップデータから取得されたものである、ことと、
マッチング予測モデルを用いて前記いくつかのグループの点ペアに対して予測処理を行い、前記点ペアの予測一致値を取得することと、
前記実際の一致値及び前記予測一致値を用いて、前記マッチング予測モデルの損失値を決定することと、
前記損失値を用いて、前記マッチング予測モデルのパラメータを調整することと、を含む、マッチング予測モデルの訓練方法。
(項目2)
前記サンプル画像及びマップデータを用いて、サンプルマッチングデータを構築することは、
前記サンプル画像からいくつかの画像点を取得し、前記マップデータからいくつかのマップ点を取得して、いくつかのグループの点ペアを構成することであって、前記いくつかのグループの点ペアは、含まれた画像点とマップ点との間に一致する少なくとも1つのグループの一致点ペアを含む、ことと、
前記一致点ペアのそれぞれについて、前記サンプル画像の姿勢パラメータを用いて前記マップ点を前記サンプル画像が属する次元に投影して、前記マップ点の投影点を取得し、前記画像点と前記投影点との差に基づいて、前記一致点ペアの実際の一致値を決定することと、を含む、
項目1に記載の訓練方法。
(項目3)
前記いくつかのグループの点ペアは、含まれた画像点とマップ点との間に一致しない少なくとも1つのグループの不一致点ペアを含み、前記サンプル画像及びマップデータを用いて、サンプルマッチングデータを構築することは、
前記不一致点ペアの実際の一致値を、事前設定された値に設定することを更に含む、
項目2に記載の訓練方法。
(項目4)
前記サンプル画像からいくつかの画像点を取得し、前記マップデータからいくつかのマップ点を取得し、これらによって、いくつかのグループの点ペアを構成することは、
前記サンプル画像内の画像点を第1画像点及び第2画像点に分割することであって、前記マップデータには前記第1画像点に一致する前記マップ点があり、前記マップデータには前記第2画像点に一致する前記マップ点がない、ことと、
前記第1画像点のそれぞれについて、前記マップデータからいくつかの第1マップ点を割り当てて、前記第1画像点及び前記第1マップ点のそれぞれを第1点ペアとして使用することであって、前記第1マップ点は、前記第1画像点に一致する前記マップ点を含む、ことと、
前記第2画像点のそれぞれについて、前記マップデータからいくつかの第2マップ点を割り当てて、前記第2画像点及び前記第2マップ点のそれぞれを第2点ペアとして使用することと、
前記第1点ペア及び前記第2点ペアから、いくつかのグループの点ペアを抽出することと、を含む、
項目2又は3に記載の訓練方法。
(項目5)
前記サンプル画像の姿勢パラメータを用いて前記マップ点を前記サンプル画像が属する次元に投影して、前記マップ点の投影点を取得することは、
前記一致点ペアに基づいて、前記サンプル画像の姿勢パラメータを計算することと、
前記姿勢パラメータを用いて前記マップ点を前記サンプル画像が属する次元に投影して、前記マップ点の投影点を取得することと、を含み、
及び/又は、前記画像点と前記投影点との間の差に基づいて、前記一致点ペアの実際の一致値を決定することは、
事前設定された確率分布関数を用いて前記差を確率密度値に変換して、前記一致点ペアの実際の一致値として使用することを含む、
項目2ないし4のいずれか一項に記載の訓練方法。
(項目6)
前記サンプルマッチングデータは2部グラフであり、前記2部グラフは、いくつかのグループの点ペアと各グループの点ペアを連結する連結辺を含み、前記連結辺には、前記点ペアに対応する実際の一致値が注釈され、前記マッチング予測モデルは、前記サンプル画像が属する次元に対応する第1点特徴抽出サブモデル、前記マップデータが属する次元に対応する第2点特徴抽出サブモデル及び辺特徴抽出サブモデルを含み、
前記マッチング予測モデルを用いて前記いくつかのグループの点ペアに対して予測処理を行い、前記点ペアの予測一致値を取得することは、
それぞれ、前記第1点特徴抽出サブモデル及び前記第2点特徴抽出サブモデルを用いて前記2部グラフに対して特徴抽出を行い、第1特徴及び第2特徴を取得することと、
前記辺特徴抽出サブモデルを用いて前記第1特徴及び前記第2特徴に対して特徴抽出を行い、第3特徴を取得することと、
前記第3特徴を用いて、前記連結辺に対応する点ペアの予測一致値を取得することと、を含む、
項目1ないし5のいずれか一項に記載の訓練方法。
(項目7)
前記第1点特徴抽出サブモデル及び前記第2点特徴抽出サブモデルの構造は、少なくとも1つの残差ブロックを含むか、少なくとも1つの残差ブロック及び少なくとも1つの空間変換ネットワークを含み、
及び/又は、前記辺特徴抽出サブモデルは、少なくとも1つの残差ブロックを含む、
項目6に記載の訓練方法。
(項目8)
前記いくつかのグループの点ペアは、含まれた画像点とマップ点との間に一致する少なくとも1つのグループの一致点ペアと、含まれた画像点とマップ点との間に一致しない少なくとも1つのグループの不一致点ペアとを含み、
前記実際の一致値及び前記予測一致値を用いて、前記マッチング予測モデルの損失値を決定することは、
前記一致点ペアの前記予測一致値及び前記実際の一致値を用いて、前記マッチング予測モデルの第1損失値を決定することと、
前記不一致点ペアの前記予測一致値及び前記実際の一致値を用いて、前記マッチング予測モデルの第2損失値を決定することと、
前記第1損失値及び前記第2損失値に対して加重処理を行い、前記マッチング予測モデルの損失値を取得することと、を含む、
項目1ないし7のいずれか一項に記載の訓練方法。
(項目9)
前記一致点ペアの前記予測一致値及び前記実際の一致値を用いて、前記マッチング予測モデルの第1損失値を決定する前に、前記訓練方法は、
前記一致点ペアの第1数量及び前記不一致点ペアの第2数量をそれぞれ統計することを更に含み、
前記一致点ペアの前記予測一致値及び前記実際の一致値を用いて、前記マッチング予測モデルの第1損失値を決定することは、
前記一致点ペアの前記予測一致値と前記実際の一致値との間の差値、及び前記第1数量を用いて、前記第1損失値を決定することを含み、
前記不一致点ペアの前記予測一致値及び前記実際の一致値を用いて、前記マッチング予測モデルの第2損失値を決定することは、
前記不一致点ペアの前記予測一致値と前記実際の一致値との間の差値、及び前記第2数量を用いて、前記第2損失値を決定することを含む、
項目8に記載の訓練方法。
(項目10)
前記サンプル画像が属する次元は2次元又は3次元であり、前記マップデータが属する次元は2次元又は3次元である、
項目1ないし9のいずれか一項に記載の訓練方法。
(項目11)
視覚位置決め方法であって、
位置決め対象となる画像とマップデータとを用いて、認識対象となるマッチングデータを構築することであって、前記認識対象となるマッチングデータは、いくつかのグループの点ペアを含み、各グループの点ペアの2つの点は、前記位置決め対象となる画像及び前記マップデータから取得されたものである、ことと、
マッチング予測モデルを用いて前記いくつかのグループの点ペアに対して予測処理を行い、前記点ペアの予測一致値を取得することと、
前記点ペアの予測一致値に基づいて、前記位置決め対象となる画像のカメラデバイスの姿勢パラメータを決定することと、を含む、視覚位置決め方法。
(項目12)
前記点ペアの予測一致値に基づいて、前記位置決め対象となる画像のカメラデバイスの姿勢パラメータを決定することは、
前記予測一致値に従って前記いくつかのグループの点ペアを降順に配列することと、
前前の予め設定された数量のグループの前記点ペアを用いて、前記位置決め対象となる画像のカメラデバイスの姿勢パラメータを決定することと、を含む、
項目11に記載の視覚位置決め方法。
(項目13)
前記マッチング予測モデルは、項目1ないし10のいずれか一項に記載のマッチング予測モデルの訓練方法によって取得されたものである、
項目11又は12に記載の視覚位置決め方法。
(項目14)
マッチング予測モデルの訓練装置であって、
サンプル画像及びマップデータを用いて、サンプルマッチングデータを構築するように構成されるサンプル構築部であって、前記サンプルマッチングデータは、いくつかのグループの点ペア及び各グループの点ペアの実際の一致値を含み、各グループの点ペアの2つの点はそれぞれ前記サンプル画像及び前記マップデータから取得されたものである、サンプル構築部と、
マッチング予測モデルを用いて前記いくつかのグループの点ペアに対して予測処理を行い、前記点ペアの予測一致値を取得するように構成される予測処理部と、
前記実際の一致値及び前記予測一致値を用いて、前記マッチング予測モデルの損失値を決定するように構成される損失決定部と、
前記損失値を用いて、前記マッチング予測モデルのパラメータを調整するように構成されるパラメータ調整部と、を備える、マッチング予測モデルの訓練装置。
(項目15)
視覚位置決め装置であって、
位置決め対象となる画像とマップデータとを用いて、認識対象となるマッチングデータを構築するデータ構築部であって、前記認識対象となるマッチングデータは、いくつかのグループの点ペアを含み、各グループの点ペアの2つの点は、前記位置決め対象となる画像及び前記マップデータから取得されたものである、データ構築部と、
マッチング予測モデルを用いて前記いくつかのグループの点ペアに対して予測処理を行い、前記点ペアの予測一致値を取得するように構成される予測処理部と、
前記点ペアの予測一致値に基づいて、前記位置決め対象となる画像のカメラデバイスの姿勢パラメータを決定するように構成されるパラメータ決定部と、を備える、視覚位置決め装置。
(項目16)
電子機器であって、
互に結合されているメモリとプロセッサとを備え、前記プロセッサは、前記メモリに記憶されているプログラム命令を実行して、項目1ないし10のいずれか一項に記載のマッチング予測モデルの訓練方法、又は項目11ないし13のいずれか一項に記載の視覚位置決め方法を実行する、電子機器。
(項目17)
プロセッサによって実行されるときに、前記プロセッサに項目1ないし10のいずれか一項に記載のマッチング予測モデルの訓練方法、又は項目11ないし13のいずれか一項に記載の視覚位置決め方法を実行させるためのプログラム命令を記憶した、コンピュータ可読記憶媒体。
(項目18)
電子機器のプロセッサによって実行されるときに、前記プロセッサに項目1ないし10のいずれか一項に記載のマッチング予測モデルの訓練方法、又は項目11ないし13のいずれか一項に記載の視覚位置決め方法を実行させるためのコンピュータ可読コードを含む、コンピュータプログラム。
ステップS53において、点ペアの予測一致値に基づいて、位置決め対象となる画像のカメラデバイスの姿勢パラメータを決定する。
Claims (12)
- マッチング予測モデルの訓練方法であって、
サンプル画像及びマップデータを用いて、サンプルマッチングデータを構築することであって、前記サンプルマッチングデータは、いくつかのグループの点ペア及び各グループの点ペアの実際の一致値を含み、各グループの点ペアの2つの点はそれぞれ前記サンプル画像及び前記マップデータから取得されたものである、ことと、
マッチング予測モデルを用いて前記いくつかのグループの点ペアに対して予測処理を行い、前記点ペアの予測一致値を取得することと、
前記実際の一致値及び前記予測一致値を用いて、前記マッチング予測モデルの損失値を決定することと、
前記損失値を用いて、前記マッチング予測モデルのパラメータを調整することと、を含み、前記サンプル画像及びマップデータを用いて、サンプルマッチングデータを構築することは、
前記サンプル画像からいくつかの画像点を取得し、前記マップデータからいくつかのマップ点を取得して、いくつかのグループの点ペアを構成することであって、前記いくつかのグループの点ペアは、含まれた画像点とマップ点との間に一致する少なくとも1つのグループの一致点ペアを含む、ことと、
前記一致点ペアのそれぞれについて、前記サンプル画像の姿勢パラメータを用いて前記マップ点を前記サンプル画像が属する次元に投影して、前記マップ点の投影点を取得し、前記画像点と前記投影点との差に基づいて、前記一致点ペアの実際の一致値を決定することと、を含み、
前記いくつかのグループの点ペアは、含まれた画像点とマップ点との間に一致しない少なくとも1つのグループの不一致点ペアを含み、前記サンプル画像及びマップデータを用いて、サンプルマッチングデータを構築することは、
前記不一致点ペアの実際の一致値を、事前設定された値に設定することを更に含む、マッチング予測モデルの訓練方法。 - 前記サンプル画像からいくつかの画像点を取得し、前記マップデータからいくつかのマップ点を取得し、これらによって、いくつかのグループの点ペアを構成することは、
前記サンプル画像内の画像点を第1画像点及び第2画像点に分割することであって、前記マップデータには前記第1画像点に一致する前記マップ点があり、前記マップデータには前記第2画像点に一致する前記マップ点がない、ことと、
前記第1画像点のそれぞれについて、前記マップデータからいくつかの第1マップ点を割り当てて、前記第1画像点及び前記第1マップ点のそれぞれを第1点ペアとして使用することであって、前記第1マップ点は、前記第1画像点に一致する前記マップ点を含む、ことと、
前記第2画像点のそれぞれについて、前記マップデータからいくつかの第2マップ点を割り当てて、前記第2画像点及び前記第2マップ点のそれぞれを第2点ペアとして使用することと、
前記第1点ペア及び前記第2点ペアから、いくつかのグループの点ペアを抽出することと、を含む、
請求項1に記載の訓練方法。 - 前記サンプル画像の姿勢パラメータを用いて前記マップ点を前記サンプル画像が属する次元に投影して、前記マップ点の投影点を取得することは、
前記一致点ペアに基づいて、前記サンプル画像の姿勢パラメータを計算することと、
前記姿勢パラメータを用いて前記マップ点を前記サンプル画像が属する次元に投影して、前記マップ点の投影点を取得することと、を含み、
及び/又は、前記画像点と前記投影点との間の差に基づいて、前記一致点ペアの実際の一致値を決定することは、
事前設定された確率分布関数を用いて前記差を確率密度値に変換して、前記一致点ペアの実際の一致値として使用することを含む、
請求項1又は2に記載の訓練方法。 - 前記サンプルマッチングデータは2部グラフであり、前記2部グラフは、いくつかのグループの点ペアと各グループの点ペアを連結する連結辺を含み、前記連結辺には、前記点ペアに対応する実際の一致値が注釈され、前記マッチング予測モデルは、前記サンプル画像が属する次元に対応する第1点特徴抽出サブモデル、前記マップデータが属する次元に対応する第2点特徴抽出サブモデル及び辺特徴抽出サブモデルを含み、
前記マッチング予測モデルを用いて前記いくつかのグループの点ペアに対して予測処理を行い、前記点ペアの予測一致値を取得することは、
それぞれ、前記第1点特徴抽出サブモデル及び前記第2点特徴抽出サブモデルを用いて前記2部グラフに対して特徴抽出を行い、第1特徴及び第2特徴を取得することと、
前記辺特徴抽出サブモデルを用いて前記第1特徴及び前記第2特徴に対して特徴抽出を行い、第3特徴を取得することと、
前記第3特徴を用いて、前記連結辺に対応する点ペアの予測一致値を取得することと、を含み、
前記第1点特徴抽出サブモデル及び前記第2点特徴抽出サブモデルの構造は、少なくとも1つの残差ブロックを含むか、少なくとも1つの残差ブロック及び少なくとも1つの空間変換ネットワークを含み、
及び/又は、前記辺特徴抽出サブモデルは、少なくとも1つの残差ブロックを含む、
請求項1ないし3のいずれか一項に記載の訓練方法。 - 前記いくつかのグループの点ペアは、含まれた画像点とマップ点との間に一致する少なくとも1つのグループの一致点ペアと、含まれた画像点とマップ点との間に一致しない少なくとも1つのグループの不一致点ペアとを含み、
前記実際の一致値及び前記予測一致値を用いて、前記マッチング予測モデルの損失値を決定することは、
前記一致点ペアの前記予測一致値及び前記実際の一致値を用いて、前記マッチング予測モデルの第1損失値を決定することと、
前記不一致点ペアの前記予測一致値及び前記実際の一致値を用いて、前記マッチング予測モデルの第2損失値を決定することと、
前記第1損失値及び前記第2損失値に対して加重処理を行い、前記マッチング予測モデルの損失値を取得することと、を含む、
請求項1ないし4のいずれか一項に記載の訓練方法。 - 前記一致点ペアの前記予測一致値及び前記実際の一致値を用いて、前記マッチング予測モデルの第1損失値を決定する前に、前記訓練方法は、
前記一致点ペアの第1数量及び前記不一致点ペアの第2数量をそれぞれ統計することを更に含み、
前記一致点ペアの前記予測一致値及び前記実際の一致値を用いて、前記マッチング予測モデルの第1損失値を決定することは、
前記一致点ペアの前記予測一致値と前記実際の一致値との間の差値、及び前記第1数量を用いて、前記第1損失値を決定することを含み、
前記不一致点ペアの前記予測一致値及び前記実際の一致値を用いて、前記マッチング予測モデルの第2損失値を決定することは、
前記不一致点ペアの前記予測一致値と前記実際の一致値との間の差値、及び前記第2数量を用いて、前記第2損失値を決定することを含む、
請求項5に記載の訓練方法。 - 視覚位置決め方法であって、
位置決め対象となる画像とマップデータとを用いて、認識対象となるマッチングデータを構築することであって、前記認識対象となるマッチングデータは、いくつかのグループの点ペアを含み、各グループの点ペアの2つの点は、前記位置決め対象となる画像及び前記マップデータから取得されたものである、ことと、
マッチング予測モデルを用いて前記いくつかのグループの点ペアに対して予測処理を行い、前記点ペアの予測一致値を取得することと、
前記点ペアの予測一致値に基づいて、前記位置決め対象となる画像のカメラデバイスの姿勢パラメータを決定することと、を含み、前記点ペアの予測一致値に基づいて、前記位置決め対象となる画像のカメラデバイスの姿勢パラメータを決定することは、
前記予測一致値に従って前記いくつかのグループの点ペアを降順に配列することと、
予め設定された数量のグループの前記点ペアを用いて、前記位置決め対象となる画像のカメラデバイスの姿勢パラメータを決定することと、を含み、
前記マッチング予測モデルは、請求項1ないし6のいずれか一項に記載のマッチング予測モデルの訓練方法によって取得されたものである、視覚位置決め方法。 - マッチング予測モデルの訓練装置であって、
サンプル画像及びマップデータを用いて、サンプルマッチングデータを構築するように構成されるサンプル構築部であって、前記サンプルマッチングデータは、いくつかのグループの点ペア及び各グループの点ペアの実際の一致値を含み、各グループの点ペアの2つの点はそれぞれ前記サンプル画像及び前記マップデータから取得されたものである、サンプル構築部と、
マッチング予測モデルを用いて前記いくつかのグループの点ペアに対して予測処理を行い、前記点ペアの予測一致値を取得するように構成される予測処理部と、
前記実際の一致値及び前記予測一致値を用いて、前記マッチング予測モデルの損失値を決定するように構成される損失決定部と、
前記損失値を用いて、前記マッチング予測モデルのパラメータを調整するように構成されるパラメータ調整部と、を備え、
前記サンプル構築部は、
前記サンプル画像からいくつかの画像点を取得し、前記マップデータからいくつかのマップ点を取得して、いくつかのグループの点ペアを構成するように構成される点ペア取得サブ部であって、前記いくつかのグループの点ペアは、含まれた画像点とマップ点との間に一致する少なくとも1つのグループの一致点ペアを含む、点ペア取得サブ部と、
前記一致点ペアのそれぞれについて、前記サンプル画像の姿勢パラメータを用いて前記マップ点を前記サンプル画像が属する次元に投影して、前記マップ点の投影点を取得し、前記画像点と前記投影点との差に基づいて、前記一致点ペアの実際の一致値を決定するように構成される第1一致値の決定サブ部と、を備え、
前記いくつかのグループの点ペアは、含まれた画像点とマップ点との間に一致しない少なくとも1つのグループの不一致点ペアを含み、前記サンプル構築部は、前記不一致点ペアの実際の一致値を、事前設定された値に設定するように構成される第2一致値の決定サブ部をさらに備える、マッチング予測モデルの訓練装置。 - 視覚位置決め装置であって、
位置決め対象となる画像とマップデータとを用いて、認識対象となるマッチングデータを構築するデータ構築部であって、前記認識対象となるマッチングデータは、いくつかのグループの点ペアを含み、各グループの点ペアの2つの点は、前記位置決め対象となる画像及び前記マップデータから取得されたものである、データ構築部と、
マッチング予測モデルを用いて前記いくつかのグループの点ペアに対して予測処理を行い、前記点ペアの予測一致値を取得するように構成される予測処理部と、
前記点ペアの予測一致値に基づいて、前記位置決め対象となる画像のカメラデバイスの姿勢パラメータを決定するように構成されるパラメータ決定部と、を備え、
前記パラメータ決定部は、
前記予測一致値に従って前記いくつかのグループの点ペアを降順に配列するように構成される点ペア配列サブ部と、
前記の予め設定された数量のグループの前記点ペアを用いて、前記位置決め対象となる画像のカメラデバイスの姿勢パラメータを決定するように構成されるパラメータ決定サブ部と、を備え、
前記マッチング予測モデルは、請求項8に記載のマッチング予測モデルの訓練装置によって訓練されたものである、視覚位置決め装置。 - 電子機器であって、
互に結合されているメモリとプロセッサとを備え、前記プロセッサは、前記メモリに記憶されているプログラム命令を実行して、請求項1ないし6のいずれか一項に記載のマッチング予測モデルの訓練方法、又は請求項7に記載の視覚位置決め方法を実行する、電子機器。 - コンピュータに請求項1ないし6のいずれか一項に記載のマッチング予測モデルの訓練方法、又は請求項7に記載の視覚位置決め方法を実行させるためのプログラムを記憶した、コンピュータ可読記憶媒体。
- コンピュータに請求項1ないし6のいずれか一項に記載のマッチング予測モデルの訓練方法、又は請求項7に記載の視覚位置決め方法を実行させる、コンピュータプログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011110569.5 | 2020-10-16 | ||
CN202011110569.5A CN112328715B (zh) | 2020-10-16 | 2020-10-16 | 视觉定位方法及相关模型的训练方法及相关装置、设备 |
PCT/CN2021/082198 WO2022077863A1 (zh) | 2020-10-16 | 2021-03-22 | 视觉定位方法及相关模型的训练方法及相关装置、设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023502819A JP2023502819A (ja) | 2023-01-26 |
JP7280393B2 true JP7280393B2 (ja) | 2023-05-23 |
Family
ID=74313967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021578181A Active JP7280393B2 (ja) | 2020-10-16 | 2021-03-22 | 視覚位置決め方法、関連モデルの訓練方法及び関連装置並びに機器 |
Country Status (5)
Country | Link |
---|---|
JP (1) | JP7280393B2 (ja) |
KR (1) | KR20220051162A (ja) |
CN (1) | CN112328715B (ja) |
TW (1) | TW202217662A (ja) |
WO (1) | WO2022077863A1 (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112328715B (zh) * | 2020-10-16 | 2022-06-03 | 浙江商汤科技开发有限公司 | 视觉定位方法及相关模型的训练方法及相关装置、设备 |
CN113240656B (zh) * | 2021-05-24 | 2023-04-07 | 浙江商汤科技开发有限公司 | 视觉定位方法及相关装置、设备 |
CN113822916B (zh) * | 2021-08-17 | 2023-09-15 | 北京大学 | 图像匹配方法、装置、设备及可读存储介质 |
KR20240018627A (ko) * | 2021-11-30 | 2024-02-13 | 컨템포러리 엠퍼렉스 테크놀로지 씨오., 리미티드 | 기계 비전 검측방법, 이의 검측장치 및 이의 검측시스템 |
CN114998600B (zh) * | 2022-06-17 | 2023-07-25 | 北京百度网讯科技有限公司 | 图像处理方法、模型的训练方法、装置、设备及介质 |
CN117351306B (zh) * | 2023-12-04 | 2024-03-22 | 齐鲁空天信息研究院 | 三维点云投影位姿求解器训练方法、确定方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009722A (zh) | 2019-04-16 | 2019-07-12 | 成都四方伟业软件股份有限公司 | 三维重建方法及装置 |
CN111260726A (zh) | 2020-02-07 | 2020-06-09 | 北京三快在线科技有限公司 | 一种视觉定位方法及装置 |
CN111414968A (zh) | 2020-03-26 | 2020-07-14 | 西南交通大学 | 一种基于卷积神经网络特征图的多模态遥感影像匹配方法 |
CN111476251A (zh) | 2020-03-26 | 2020-07-31 | 中国人民解放军战略支援部队信息工程大学 | 一种遥感影像匹配方法及装置 |
CN111627065A (zh) | 2020-05-15 | 2020-09-04 | Oppo广东移动通信有限公司 | 一种视觉定位方法及装置、存储介质 |
CN111627050A (zh) | 2020-07-27 | 2020-09-04 | 杭州雄迈集成电路技术股份有限公司 | 一种目标跟踪模型的训练方法和装置 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI356355B (en) * | 2007-12-03 | 2012-01-11 | Inst Information Industry | Motion transition method and system for dynamic im |
CN102236798B (zh) * | 2011-08-01 | 2012-12-05 | 清华大学 | 一种图像匹配方法及其装置 |
EP3248029A4 (en) * | 2015-01-19 | 2018-10-03 | The Regents of the University of Michigan | Visual localization within lidar maps |
US9934587B2 (en) * | 2016-06-30 | 2018-04-03 | Daqri, Llc | Deep image localization |
CN107967457B (zh) * | 2017-11-27 | 2024-03-19 | 全球能源互联网研究院有限公司 | 一种适应视觉特征变化的地点识别与相对定位方法及系统 |
CN109658445A (zh) * | 2018-12-14 | 2019-04-19 | 北京旷视科技有限公司 | 网络训练方法、增量建图方法、定位方法、装置及设备 |
CN110095752B (zh) * | 2019-05-07 | 2021-08-10 | 百度在线网络技术(北京)有限公司 | 定位方法、装置、设备和介质 |
CN110274598B (zh) * | 2019-06-24 | 2023-03-24 | 西安工业大学 | 一种机器人单目视觉鲁棒定位估计方法 |
CN110473259A (zh) * | 2019-07-31 | 2019-11-19 | 深圳市商汤科技有限公司 | 位姿确定方法及装置、电子设备和存储介质 |
CN111508019A (zh) * | 2020-03-11 | 2020-08-07 | 上海商汤智能科技有限公司 | 目标检测方法及其模型的训练方法及相关装置、设备 |
CN111538855B (zh) * | 2020-04-29 | 2024-03-08 | 浙江商汤科技开发有限公司 | 视觉定位方法及装置、电子设备和存储介质 |
CN111652929A (zh) * | 2020-06-03 | 2020-09-11 | 全球能源互联网研究院有限公司 | 一种视觉特征的识别定位方法及系统 |
CN112328715B (zh) * | 2020-10-16 | 2022-06-03 | 浙江商汤科技开发有限公司 | 视觉定位方法及相关模型的训练方法及相关装置、设备 |
-
2020
- 2020-10-16 CN CN202011110569.5A patent/CN112328715B/zh active Active
-
2021
- 2021-03-22 JP JP2021578181A patent/JP7280393B2/ja active Active
- 2021-03-22 WO PCT/CN2021/082198 patent/WO2022077863A1/zh active Application Filing
- 2021-03-22 KR KR1020227003201A patent/KR20220051162A/ko unknown
- 2021-08-30 TW TW110132126A patent/TW202217662A/zh unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009722A (zh) | 2019-04-16 | 2019-07-12 | 成都四方伟业软件股份有限公司 | 三维重建方法及装置 |
CN111260726A (zh) | 2020-02-07 | 2020-06-09 | 北京三快在线科技有限公司 | 一种视觉定位方法及装置 |
CN111414968A (zh) | 2020-03-26 | 2020-07-14 | 西南交通大学 | 一种基于卷积神经网络特征图的多模态遥感影像匹配方法 |
CN111476251A (zh) | 2020-03-26 | 2020-07-31 | 中国人民解放军战略支援部队信息工程大学 | 一种遥感影像匹配方法及装置 |
CN111627065A (zh) | 2020-05-15 | 2020-09-04 | Oppo广东移动通信有限公司 | 一种视觉定位方法及装置、存储介质 |
CN111627050A (zh) | 2020-07-27 | 2020-09-04 | 杭州雄迈集成电路技术股份有限公司 | 一种目标跟踪模型的训练方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
KR20220051162A (ko) | 2022-04-26 |
CN112328715B (zh) | 2022-06-03 |
CN112328715A (zh) | 2021-02-05 |
JP2023502819A (ja) | 2023-01-26 |
WO2022077863A1 (zh) | 2022-04-21 |
TW202217662A (zh) | 2022-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7280393B2 (ja) | 視覚位置決め方法、関連モデルの訓練方法及び関連装置並びに機器 | |
JP6745328B2 (ja) | 点群データを復旧するための方法及び装置 | |
CN110246163B (zh) | 图像处理方法及其装置、设备、计算机存储介质 | |
CN108509848A (zh) | 三维物体的实时检测方法及系统 | |
CN114186632B (zh) | 关键点检测模型的训练方法、装置、设备、存储介质 | |
EP3905194A1 (en) | Pose estimation method and apparatus | |
CN111027140B (zh) | 基于多视角点云数据的飞机标准件模型快速重构方法 | |
EP4167194A1 (en) | Key point detection method and apparatus, model training method and apparatus, device and storage medium | |
CN113298870B (zh) | 一种物体的姿态跟踪方法、装置、终端设备和存储介质 | |
CN113361365B (zh) | 定位方法和装置、设备及存储介质 | |
WO2024103890A1 (zh) | 模型构建方法、重建方法、装置、电子设备及非易失性可读存储介质 | |
US20230401799A1 (en) | Augmented reality method and related device | |
CN113902856A (zh) | 一种语义标注的方法、装置、电子设备及存储介质 | |
CN112197708B (zh) | 测量方法及装置、电子设备及存储介质 | |
CN112258647A (zh) | 地图重建方法及装置、计算机可读介质和电子设备 | |
CN113344890B (zh) | 医学图像识别方法、识别模型训练方法及装置 | |
CN114820755A (zh) | 一种深度图估计方法及系统 | |
CN114565723A (zh) | 一种基于稀疏样本的单目3d重建方法 | |
CN114723973A (zh) | 大尺度变化鲁棒的图像特征匹配方法及装置 | |
CN111932628A (zh) | 一种位姿确定方法及装置、电子设备、存储介质 | |
CN113643328A (zh) | 标定物的重建方法、装置、电子设备及计算机可读介质 | |
CN115344113A (zh) | 多视角人体运动捕捉方法、装置、系统、介质及终端 | |
CN113128292A (zh) | 一种图像识别方法、存储介质及终端设备 | |
CN118212491B (zh) | 模型训练方法、三维姿态估计方法、装置及电子设备 | |
CN117671732B (zh) | 一种检测体态的方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211229 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211229 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230210 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230417 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230508 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230511 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7280393 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |