Dynamic-SLAM: Semantic monocular visual localization and mapping based on deep learning
发布时间
阅读量：
阅读量
Dynamic-SLAM: Meaningful monocular visual localization and mapping based on deep learning in dynamic environments.
漏检补偿算法——提高SSD的召回率
首先利用卷积神经网络构建一个融合先验知识的SSD目标检测器，并从语义层面进行探测新检测线程中的动态目标；随后针对现有SSD目标检测网络在召回率方面存在不足的问题 提出了一种基于相邻帧速度不变性设计的漏检补偿算法 显著提升了该方法的目标探测性能
该算法能够生成待检测物体列表，并依次查看当前帧中上一时刻识别出的对象列表；随后估算这些对象在当前时刻对应的位置信息，并逐一检查当前所有边界框是否包含由预测器确定的目标边界框。若有，则表示该目标已被识别出来；若无，则需将该目标加入待检列表。
该算法在演示文稿中的具体体现为漏检补偿效果的可视化展示。 红色边界框所体现的是SSD网络检测系统实际运行的结果数据特征参数分布情况。 根据设定的检测阈值amax（以蓝色虚线框标注），可以识别出未被检测到的目标；在此基础上，在假设速度保持恒定的前提下（以绿色虚线框标记），计算出相应的补偿修正量并完成优化调优过程
选择跟踪算法
少提取有dynamic object 的特征点，减少BA求解的误差。
扩大boundingbox的范围至L，在扩大的范围内计算公式12、13
当动态特征点与静态特征点之间的相对位移处于预设范围内时，则被允许用于目标追踪过程而超出该范围时不被允许用于目标追踪过程
全部评论 (0)
还没有任何评论哟~