[论文笔记]Meaningful Maps With Object-Oriented Semantic Mapping

最新推荐文章于 2021-04-10 12:57:06 发布
最新推荐文章于 2021-04-10 12:57:06 发布
阅读量2.4k 收藏 11
点赞数 1
分类专栏： SLAM 论文笔记 文章标签： 语义SLAM
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/pikachu_777/article/details/84570980
版权
本文介绍了将SLAM与对象检测相结合的语义映射方法，利用ORB-SLAM2进行定位，SSD进行物体检测，结合3D分割构建以对象为中心的地图。尽管存在物体检测漏检问题，但该方法提供了更丰富的地图信息。提出了以对象模型为单位的地图更新策略，为室内语义映射带来新视角。
摘要由CSDN通过智能技术生成

一、主要内容

这篇文章做的也是semantic mapping的工作，创新的点是，不单给了每个点类别，同时给出了object的概念，存储了每一个object的3d点云。最终的地图是由object的点云和背景构成的语义地图。
文章新意不太多，主要是加了物体检测，但是SSD+额外的基于几何的点云分割感觉有点绕弯。另一篇用mask RCNN的应该更好。（不过文章引用和related works写的很好。

贡献

进行instance-level的物体检测，构建以object为单位(object models as central entities)的地图，比基于纯语义分割的semantic mapping高了一级。

模块

流程

最低0.47元/天 解锁文章
KylinQAQ
关注
  • 1
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Meaningful Maps With Object-Oriented Semantic Mapping
lucas1997的博客
07-10 423
基于RGB-D数据的语义建图（SLAM帮助语义）。具体过程如下 首先利用SSD执行单帧RGB图片（2D）物体检测。 接着基于检测结果和深度信息，利用3D分割算法进一步分割3D点云。 最终利用ORB-SLAM2的相机位姿信息将每帧的3D点云分割结果合并到地图中，建立语义点云地图。 特色： 非物体只维护点云，物体维护点云和类别标号。 点云分别在每个观测帧中维护。好处是闭环后点云也可以跟着观测帧的位姿变化。 语义更新：简单累加，取最大值。 未来工作 语义帮助SLAM。利用语义信息提高SLAM的精度，
计算机视觉3D点云经典书籍-Semantic 3D Object Maps for Everyday Manipulation
11-11
计算机视觉3D点云经典书籍-Semantic 3D Object Maps for Everyday Manipulation in Human Living Environments 讲述了点云的几何计算原理 以及利用点云特征FPHF进行匹配即分类 用生活环境如厨房清理 开门等实例进行了举例和讲解
Meaningful Maps With Object-Oriented Semantic Mapping 论文笔记
phy12321的博客
11-26 598
Meaningful Maps With Object-Oriented Semantic Mapping 2017，语义SLAM，indoor，稀疏地图，RGBD 一、主要贡献 融合了基于稀疏特征的RGBD SLAM方法，基于2D image 的目标检测方法和无监督3D分割网络三种方法，能够建立实例级别、object-oriented 的语义地图。 二、方法介绍 模块： SLAM：ORB-...
论文阅读：Semantic Mapping for Mobile Robots in Indoor Scenes: A Survey
滥觞
04-10 562
笔记纲要Reading GuideMain BodyIntroductionDefinitions of Semantic MapSpatial MappingAcquisition of Semantic InformationMap RepresentationOpen Issues and Potential DirectionsConclusionsSummary Reading Guide   这篇论文是中科院的，主要综述室内环境下的语义建图问题。日期比较新，是今年(2021)二月份出版的。   
【译】PCL官网教程翻译(13)：PCL中3D特征体现 - How 3D Features work in PCL
tjwyj的博客
09-13 522
英文原网页查看。 PCL中3D特征体现 本文介绍了PCL中的3D特性估计方法，并作为对PCL:: feature类的内部结构感兴趣的用户或开发人员的指南。 理论基础 来自Rusu论文: 在它们的原生表示中，三维映射系统概念中定义的点只是使用它们相对于给定原点的笛卡尔坐标x、y、z来表示。假设坐标系原点不随时间变化，可能有两个点p1和p2，分别在t1和t2时刻得到，坐标相同。然而，比较这些点是一个不...
Object-Oriented Analysis and Design for Information Systems
04-09
Build true object-oriented code with division of responsibility and delegation. Table of Contents Chapter 1. Introduction Chapter 2. Business Modeling Chapter 3. High-Level Requirements Chapter 4. Use...
Semantic 3D Object Maps
10-11
- **Integration with Manipulation Capabilities:** Semantic 3D object maps integrate seamlessly with advanced manipulation capabilities, enhancing the robot's ability to interact with the environment. ...
FM: Clinically meaningful rorschach index with minority children?
06-29
FM: Clinically meaningful rorschach index with minority children? Psjrhology in rht SchooLr 1981. / R . 429-433 FM: CLINICALLY MEANINGFUL RORSCHACH INDEX WITH MINORITY CHILDREN?' RALPH SCOTT ...
Learning Data Mining with Python - Second Edition
05-04
earning Data Mining with Python - Second Edition by Robert Layton English | 4 May 2017 | ASIN: B01MRP7VFV | 358 Pages | AZW3 | 2.85 MB Key Features Use a wide variety of Python libraries for ...
Visual Cryptography Scheme with Meaningful Shares Based on QR Codes
02-08
Visual Cryptography Scheme with Meaningful Shares Based on QR Codes
Meaningful Maps With Object-Oriented Semantic Mapping 【summary】
baidu_34099103的博客
04-12 607
中文题目翻译：带有面向实体语义映射的有意义的地图 来源：IROS https://arxiv.org/abs/1609.07849 语义地图系统的框架： 系统输入为 RGB-D图片；ORB-SLAM2利用每个RGB-D帧进行定位和建图得到无语义的几何地图；SSD进行目标检测获得bounding boxes（只有目标框，hardly fit well to objects）；3D Segment...
深度学习结合SLAM的研究思路/成果整理之（二）语义SLAM & 端到端
热门推荐
自己的学习笔记
12-13 2万+
查阅了一些资料，整理了关于语义SLAM的几篇论文。
SLAM的一些学习笔记
zhengbq_seu的博客
06-05 3684
目录 一．基础概念 1）关于Hx=g方程中 没有位姿与位姿的约束 H为什么是J的转置乘以J 2)关于雅克比矩阵： 2.1）所谓增量方程系数的路标部分为什么是对角阵 3）所谓边缘化 4）邻接矩阵(Adjacency Matrix) 5）关于非线性优化定位和稠密建图的深度滤波器 6）上采样和下采样 7）专有名词 二．各个开源代码 2.1 dso 前后端 滑动窗口 边缘...
Semantic 3D Reconstruction
renhaofan的博客
05-20 1767
Semantic 3D Occupancy Mapping through Efficient High Order CRFs IROS 2017] | cited by 14 | code | video | [Based on ElasticFusion] | [speed about 25Hz] SemanticFusion: Dense 3D Semantic Mapping with ...
当前语义分割帮助视觉SLAM提高定位准确度，建立语义地图的研究现状如何？
qq_40213457的博客
09-12 7704
作者：Cedrus 链接：https://www.zhihu.com/question/264578623/answer/284074071 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。   最简单的方式，就是跑一个pixel-wise的图像语义分割，再跑一个dense或者semi-dense的SLAM，把前者的结果map到后者的地图上去，每个像素（或者sur...
深度学习结合SLAM 研究现状总结 Co-Fusion MaskFusion
万有文的博客
07-15 1万+
深度学习结合SLAM 研究现状总结 本文github链接 1. 用深度学习方法替换传统slam中的一个/几个模块： 特征提取，特征匹配，提高特征点稳定性，提取点线面等不同层级的特征点。 深度估计 位姿估计 重定位 其他 目前还不能达到超越传统方法的效果， 相...
Small but Mighty: Enhancing 3D Point Clouds Semantic Segmentation with U-Next Framework
最新发布
05-11
"Small but Mighty: Enhancing 3D Point Clouds Semantic Segmentation with U-Next Framework" is a research paper that proposes a novel framework for improving the semantic segmentation of 3D point clouds. The framework is based on a U-Net architecture and is designed to handle small datasets, which is a common challenge in the field of 3D point cloud segmentation. The U-Next framework consists of several key components, including a 3D point cloud encoder, a fully connected layer, and a 3D point cloud decoder. The encoder is designed to extract meaningful features from the input point cloud data, while the fully connected layer is used to generate a feature vector that represents the entire point cloud. The decoder then uses this feature vector to generate a segmentation map of the point cloud. To evaluate the effectiveness of the U-Next framework, the research team conducted experiments on several benchmark datasets. The results showed that the framework outperformed several state-of-the-art methods, achieving high segmentation accuracy even with small datasets. Overall, the U-Next framework represents an important step forward in the field of 3D point cloud segmentation, demonstrating that it is possible to achieve high levels of accuracy even with limited amounts of training data.
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值