相关文章阅读

Deep Learning Features at Scale for Visual Place Recognition（ICRA2017）

提出SPED dataset，未上线
训练了two CNN architectures for the specific place recognition task and employ a multi-scale feature encoding method to generate condition- and viewpoint-invariant features.
The Eynsham dataset ，the St. Luciadataset，the Nordland dataset，the Garden datasets进行了验证
 

DynaSLAM: Tracking, Mapping and Inpainting in Dynamic Scenes基于动态目标检测和背景修复的视觉SLAM （2018 IROS）

在本文中提出了DynaSLAM，其在ORB-SLAM2的基础上添加了动态目标检测和背景修复技术。本文综合使用了基于多视几何和深度学习的方法来检测动态目标，并在此基础上得到一个场景的静态地图，然后在此基础上再对输入帧进行背景修复，填补动态目标遮挡的区域。

DynaSLAM具有单目、双目和RGB-D三种运行状态，因此本文也分别在三类数据集上进行了测试，实验中充分研究了效率对精度的影响。实验结果表明，在动态场景下本文提出的算法的精度超过了传统视觉SLAM的精度。值得一提的是，本文的算法还能提供场景的静态地图，更能符合实际应用中长时间使用对地图的需求。

 

A Tutorial on Quantitative Trajectory Evaluationfor Visual(-Inertial) Odometry视觉(-惯性)里程计定量轨迹评估教程 (2018 IROS)

在本教程中，我们提出了通过视觉（-惯性）里程计（VO / VIO）定量评估估计轨迹质量的原则性方法，这是对不同算法的准确性进行基准测试的基础。首先，我们展示如何基于特定的感知模态（即单目，双目和视觉加惯性）确定在轨迹对齐中使用的变换类型。其次，我们描述了常用的误差度量（即绝对轨迹误差和相对误差）及其优缺点。

 

 

ICRA2017——SLAM论文集锦

博客

 

总结(/Review): 回环检测中的位置识别（Place Recognition）