目标检测YOLO实战应用案例100讲-联合深度图聚类与目标检测的语义SLAM算法研究

目录

基于场景语义嵌入与引导的目标检测方法

通用目标检测

 基于上下文信息的目标检测

基于深度学习的目标检测基础知识

2.1特征提取网络

2.2区域提议网络

2.4后处理与评估指标

基于场景语义嵌入的目标检测方法

3.1场景语义表示

3.2基于场景语义嵌入的目标检测网络

3.3实验仿真与分析

基于场景语义引导的目标检测方法

4.1场景语义引导的数学模型

4.2基于场景语义引导的目标检测网络

4.3实验仿真与分析

联合深度图聚类与目标检测的语义SLAM算法研究

 基于RGB-D相机的语义SLAM基础 

2.1 视觉SLAM框架 

2.2 读取传感器信息 

2.3 视觉里程计 

2.4 后端优化 

2.5 回环检测 

2.6 地图构建 

2.7 目标检测 

联合深度图聚类与目标检测的视觉里程计 

3.1 引言 

3.2 自适应选择无效点的深度图修复算法 

3.3 联合深度图聚类与目标检测的视觉里程计 

3.4 实验结果与分析 

动态环境下的物体级语义点云地图构建 

4.1 引言 

4.2 语义建图系统框架 

4.3 语义点云地图构建 

4.4 点云地图中被动物体的信息更新 

4.5 实验结果与分析 

---

基于场景语义嵌入与引导的目标检测方法
 

通用目标检测

目标检测的研究可以追溯到20世纪90年代[18]，2014年R-CNN[1]的提出标志着
目标检测从传统手工特征时代进入到深度学习时代。2014年之前可以称为传统目标
检测时代，其最具代表性的方法有VJ检测器[19]、HOG检测器[20]、DPM检测器[21]。它
们有着共同的特点就是使用手工设计的特征描述子如方向梯度直方图[20]（Histogram
of Oriented Gradient，HOG）来提取图像特征，使用机器学习方法如SVM或AdaBoost
分类器来分类目标。可变部件模型[21]（Deformable Part-based Model，DPM）检测器
是传统方法中检测效果最好的。它首次引入