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。
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