实例分割用于动态slam

ILS-SLAM: Instance-Level Semantic SLAM Excluding Moving Objects in Dynamic Scenes

创新点
1.前端匹配部分使用maskrcnn去除动态物体，提出了个细化的分割方法，大概就是maskrcnn得到两帧的bbox和分割结果，计算bbox的中心距离，两个两个图片的中bbox的iou，小于阈值的计算相关性系数，如公式（2），α和β是物体的动态程度，e物体为同一类则为1，否则为0，相关性系数大于阈值的认为是同一类，找不到对应物体的，从相邻帧抽取出来，如图8，第二张为初始结果，第三张为细化算法的结果，找到了绿色的书的掩模

2.动态物体消除方法
给物体打分，从活跃到不活跃，人是活跃的，书本可能移动，沙发餐桌一般不移动。图（a）没有动态物体，全部计算，图（b）动态的人和凳子没有相交，去掉人就行，图（c）人与桌子凳子有相交，由公式（3）和（4）确定是否将凳子认为是动态Ai为动态的人的bbox，Aj为相交的物体凳子的bbox，R大于阈值且（4）大于阈值则认为是动态的


结果是精度有了提高，但是耗时增多，具体增加多少耗时文章没有给出。感觉细化的分割方法，直接去掉没有对应物体的也行