Paper阅读：Dynamic-SLAM

前言

论文原文：Semantic monocular visual localization and mapping based on deep learning in dynamic environment
在动态环境中工作时，由于动态对象的干扰，传统的SLAM框架的性能很差。 通过在对象检测中利用深度学习的优势，提出了一种语义动态的动态地图定位和映射框架Dynamic-SLAM，以解决动态环境中的SLAM问题。

本文的主要三大贡献：

1. 针对SLAM系统提出了一种基于相邻帧速度不变性的丢失检测补偿算法，提高SSD的recall rate，为后续模块提供了良好的依据。

2. 提出了一种选择跟踪算法，以一种简单有效的方式消除动态对象，提高了系统的鲁棒性和准确性。

3. 构建了基于特征的可视化动态SLAM系统。 构建了基于SSD的目标检测模块线程，并将其检测结果作为先验知识提升SLAM性能。

主要希望解决问题：动态环境下的SLAM。

Missed detection compensation algorithm(漏检补偿算法)

传统目标检测任务无法通过上下文信息来提高检测精度。但SLAM中，视频帧按时间顺序到达时，检测结果将以柔和的方式扫描到先前的帧中，从而预测下一个检测结果，从而避免丢失或丢失。 对于SLAMIDE问题中的动态对象检测任务，Recall rate更加重要。

$$\genfrac{}{}{0ex}{}{}{TP+FN}$$