【ECCV2018】DeepTAM: Deep Tracking and Mapping

觉得还是应该多看看文章的，不然思绪总会呆滞，踌躇不前，而且对于接受下一周的讨论班来说也是一种刺激自我得到方法。

采用了深度学习的方法，对SLAM问题中的Tracking模块以及Mapping模块分别进行了利用深度网络的方法改进，且取得了不错的结果。

这是一篇采用了深度学习的文章，主要参考的就是DTAM的思想：
drift-free　camera pose tracking via a dense depth map towards a keyframe and aggregation　of depth over time
但是却采取了不同实现手段实现DTAM提出的这个理念。
尤其值得之一的是：
Tracking和Mapping两个模块都使用了深度学习的卷积神经网络的方法，都是单单从数据中解决了Tracking和Mapping的问题。

—————————————————————————————————————————————————————
记录一下本文中提到的和SLAM有关的用到学习的方法的文章，之后自己可能会用得到，具体都在下面：

• Ummenhofer, B., Zhou, H., Uhrig, J., Mayer, N., Ilg, E., Dosovitskiy, A., Brox, T.: DeMoN: Depth and Motion Network for Learning Monocular Stereo. In: IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (2017)
  这篇文章主要讲的是：implements 6 DOF egomotion and depth estimation for two images as a learning
  problem.
  相比于参考的这篇文章，DeepTAM的方法则是处理更多的Images（多与2张的更多），这样就避免了使用keyframe所产生的漂移，而且之后随着送到这个系统之中的frame数量的增加使得作者可以进一步对获取的图象的深度以及地图进行完善和优化。

其他的一些与相机位姿估计以及地图构建相关的工作还有：

• Agrawal, P., Carreira, J., Malik, J.: Learning to See by Moving. In: 2015 IEEE International Conference on Computer Vision (ICCV). pp. 37–45 (Dec 2015). https://doi.org/10.1109/ICCV.2015.13
  这篇文章的工作：trains a neural network to estimate the egomotion, which mainly serves as a supervision for feature learning.

• Kendall, A., Cipolla, R.: Geometric loss functions for camera pose regression with deep learning. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (2017）

具体的来讲文章后面又分别以tracking、mapping来讲，在每个模块里面都分别介绍了相应的原理以及网络结构，还有训练等~~~
嗯还有还很很多，我觉得自己目前消化起来又是另外一个跨领域的东西，所以应该有难度的吧我觉得，之后慢慢的学习了python以及深度学习的东西之后再来接触我觉得应该会好很多吧~