Transformer瓶颈注意力网络

动态场景定位更稳

针对动态环境中摄像机定位精度下降的问题，该网络通过混合注意力机制提取对动态物体和光照变化鲁棒的几何特征，可直接嵌入现有CNN位姿回归器。

宋霄罡 · Hongjuan, Li · Liang, Li · 石伟伟 · Guo, Xie · 鲁晓锋 · Hei, Xinghong

Pattern Recognition 2024

技术优势

动态场景不再漂移

位置感知自注意力机制捕获像素间的长期依赖，提取几何鲁棒特征，抑制动态物体干扰。

即插即用，无需改架构

该框架可普遍应用于现有基于CNN的位姿回归器，直接嵌入即可提升鲁棒性。

光照突变也能应付

将特征在空间和通道维度整合，强制网络学习几何鲁棒特征，减轻光照条件影响。

应用场景

• 自动驾驶定位：提升动态道路场景下的定位准确性，减少动态物体干扰。
• 无人机导航：在光照变化或动态障碍环境中保持稳定导航。
• 机器人视觉定位：增强机器人在动态环境中的视觉定位鲁棒性。