Loading...
arxiv：2003.07289v6 [CS.CV] 2025年1月19日
机构名称：

arxiv：2003.07289v6 [CS.CV] 2025年1月19日

¥ 1.0
热度

最近的基于学习的方法在单拍摄像机本地化领域取得了令人印象深刻的结果。，如何最好地融合多种方式（例如，图像和深度）以及处理降级或缺失的输入的方法较少。特别是我们注意到，先前的深融合方法的性能并不比采用单个模式的模型要好得多。我们猜想这是因为通过求和或串联采用了幼稚的方法，这些方法没有考虑到每种模态的不同强度。为此，我们提出了一个称为VM-loc的端到端框架，将不同的传感器输入融合到一个由基于注意力的融合的各种杂货店（POE）中，将不同的传感器输入融合到一个共同的潜在空间中。与以前的多模式变分作品直接适应了香草变分的自动编码器的目标函数，我们展示了如何通过基于重要性权重的无偏见的ob效函数来准确估算摄像机局部ization。我们的模型在RGB-D数据集上进行了广泛的评估，结果证明了我们的模型的功效。源代码可在https://github.com/kaichen-z/vmloc上获得。

添加pdf代下载 VIP点击下载文件

arxiv：2003.07289v6 [CS.CV] 2025年1月19日

Facebook Twitter Instagram Mail

主要关键词

arxiv：2003.07289v6 [CS.CV] 2025年1月19日PDF文件第1页

arxiv：2003.07289v6 [CS.CV] 2025年1月19日PDF文件第2页

arxiv：2003.07289v6 [CS.CV] 2025年1月19日PDF文件第3页

arxiv：2003.07289v6 [CS.CV] 2025年1月19日PDF文件第4页

arxiv：2003.07289v6 [CS.CV] 2025年1月19日PDF文件第5页

相关文件推荐

arxiv：2501.11140v1 [CS.CV] 2025年1月19日
2025 年

arxiv：2501.11140v1 [CS.CV] 2025年1月19日

¥1.0
arxiv：2403.09323v4 [CS.CV] 2025年1月27日
2025 年

arxiv：2403.09323v4 [CS.CV] 2025年1月27日

¥2.0
arxiv：2408.11518v2 [CS.CV] 2025年1月28日
2025 年

arxiv：2408.11518v2 [CS.CV] 2025年1月28日

¥1.0
arxiv：2412.07772v2 [CS.CV] 2025年1月6日
2025 年

arxiv：2412.07772v2 [CS.CV] 2025年1月6日

¥1.0
arxiv：2502.13968v1 [CS.CV] 2025年2月19日
2025 年

arxiv：2502.13968v1 [CS.CV] 2025年2月19日

¥1.0
arxiv：2501.06692v1 [CS.CV] 2025年1月12日
2025 年

arxiv：2501.06692v1 [CS.CV] 2025年1月12日

¥1.0
arxiv：2501.08226v1 [CS.CV] 2025年1月14日
2025 年

arxiv：2501.08226v1 [CS.CV] 2025年1月14日

¥1.0
arxiv：2502.14920v1 [CS.CV] 2025年2月19日
2025 年

arxiv：2502.14920v1 [CS.CV] 2025年2月19日

¥1.0
arxiv：2403.11780v3 [CS.SD] 2025年1月6日
2025 年

arxiv：2403.11780v3 [CS.SD] 2025年1月6日

¥1.0
arxiv：2501.17332v1 [CS.SD] 2025年1月28日
2025 年

arxiv：2501.17332v1 [CS.SD] 2025年1月28日

¥1.0
arxiv：2409.06016v3 [CS.AI] 2025年1月23日
2025 年

arxiv：2409.06016v3 [CS.AI] 2025年1月23日

¥1.0
arxiv：2408.11735v3 [CS.AI] 2025年1月7日
2025 年

arxiv：2408.11735v3 [CS.AI] 2025年1月7日

¥4.0
arxiv：2501.10989v1 [Quant-ph] 2025年1月19日
2025 年

arxiv：2501.10989v1 [Quant-ph] 2025年1月19日

¥1.0
arxiv：2503.04731V1 [CS.LO] 2025年1月31日
2025 年

arxiv：2503.04731V1 [CS.LO] 2025年1月31日

¥1.0
arxiv：2311.14656v3 [CS.CV] 2024年1月16日
2024 年

arxiv：2311.14656v3 [CS.CV] 2024年1月16日

¥1.0
arxiv：2501.15156V1 [CS.LO] 2025年1月25日
2025 年

arxiv：2501.15156V1 [CS.LO] 2025年1月25日

¥2.0
arxiv：2208.01582v3 [CS.CV] 2023年6月19日
2023 年

arxiv：2208.01582v3 [CS.CV] 2023年6月19日

¥1.0
arxiv：2401.11228v1 [CS.CV] 2024年1月20日
2024 年

arxiv：2401.11228v1 [CS.CV] 2024年1月20日

¥1.0
arxiv：2503.08148v1 [CS.CV] 2025年3月11日
2025 年

arxiv：2503.08148v1 [CS.CV] 2025年3月11日

¥1.0
arxiv：2503.00450V1 [CS.CV] 2025年3月1日
2025 年

arxiv：2503.00450V1 [CS.CV] 2025年3月1日

¥1.0
arxiv：2503.17497V1 [CS.CV] 2025年3月21日
2025 年

arxiv：2503.17497V1 [CS.CV] 2025年3月21日

¥2.0
arxiv：2503.00796v2 [CS.CV] 2025年3月4日
2025 年

arxiv：2503.00796v2 [CS.CV] 2025年3月4日

¥1.0
arxiv：2503.09277V1 [CS.CV] 2025年3月12日
2025 年

arxiv：2503.09277V1 [CS.CV] 2025年3月12日

¥1.0
arxiv：2304.01186v2 [CS.CV] 2024年1月3日
2024 年

arxiv：2304.01186v2 [CS.CV] 2024年1月3日

¥1.0
arxiv：2502.07007v1 [CS.CV] 2025年2月10日
2025 年

arxiv：2502.07007v1 [CS.CV] 2025年2月10日

¥1.0
arxiv：2409.08475v3 [CS.CV] 2024年12月19日
2024 年

arxiv：2409.08475v3 [CS.CV] 2024年12月19日

¥1.0
arxiv：2401.17417v2 [CS.CV] 2025年2月7日
2025 年

arxiv：2401.17417v2 [CS.CV] 2025年2月7日

¥1.0
arxiv：2405.10948v3 [CS.CV] 2025年3月16日
2025 年

arxiv：2405.10948v3 [CS.CV] 2025年3月16日

¥1.0
arxiv：2503.15508V1 [CS.HC] 2025年1月27日
2025 年

arxiv：2503.15508V1 [CS.HC] 2025年1月27日

¥1.0
arxiv：2402.01968v2 [CS.MA] 2025年1月29日
2025 年

arxiv：2402.01968v2 [CS.MA] 2025年1月29日

¥2.0