【论文笔记】ICRA2019 视觉里程计的损失函数：Beyond Photome( 二 ) _损失函数

具体的阈值也是动态的，标准是使得最后有效像素值为99% ，即稳定的剔除1%的像素。
M ( P M ) = { 1? ( L i m g ( i , j ) ) ≤ P M 0P M = 0.99 \{M}\left(P_{M}\right)=\left\{\begin{array}{cc} 1 & \{}\left(\{L}_{i m g}(i, j)\right) \leq P_{M} \\ 0 & \text {} \end{array}\right. \\ P_M = 0.99 M(PM?)={10?(Limg?(i,j))≤PM??PM?=0.99
不同阈值对mask的影响可视化：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img--21)(/-c412-4382-a9ef-.jpg)]
总损失函数：
L total = M ( P M ) ⊙ L i m g + w s L+ [ w g L geo ] + [ w p L pose ] \{L}_{\text {total}}=\{M}\left(P_{M}\right) \odot \{L}_{i m g}+w_{s} \{L}_{\text {}}+\left[w_{g} \{L}_{\text {geo}}\right]+\left[w_{p} \{L}_{\text {pose}}\right] ?=M(PM?)⊙Limg?+ws??+[wg?Lgeo?]+[wp?Lpose?]
网络结构
【【论文笔记】ICRA2019 视觉里程计的损失函数：Beyond Photome】输入相邻帧，输出相对位姿预测和深度图估计：
里程计性能评估：