Min220

【论文系列】Long-term Visual Localization using Semantically Segmented Images--语义位置识别/ICRA2018

未经允许，不得转载

读Long-term Visual Localization using Semantically Segmented Images (语义位置识别)

这一篇是发表于ICRA2018的一篇文章，结合深度学习去解决SLAM中位置识别的问题，主要是针对长时间运行的、跨季节的、光照变化显著条件下运行的SLAM系统，由于传统描述子在这些条件下的表达或匹配不鲁棒而不能准确定位的问题。本文的一个核心idea就是利用图像语义分割后得到的描述子代替传统描述子，然后再建模去考虑2D点到3D点的映射关系。此外还需要注意的是，这个系统是在一个已有3D map的基础上结合语义分割特征一起进行的，换句话说，rely on pre-constructed maps.(不是没有环境先验的)。

读Long-term Visual Localization using Semantically Segmented Images

Abstract

Introduction

Problem statement

观测量

地图，如何表示地图

MODELS

PROCESS MODEL

MEASUREMENT MODEL

SIFT map

Semantic map

Algorithm Details

SIFT FILTER

SEMANTIC FILTER

Experiment Evaluation

Setup：

MAP CREATION

GROUND TRUTH

Conclusion

附录知识点

还是那个顺序，我们首先来看摘要

Abstract

Abstract— Robust cross-seasonal localization is one of the major challenges in long-term visual navigation of autonomous vehicles. In this paper, we exploit recent advances in semantic segmentation of images, i.e., where each pixel is assigned a label related to the type of object it represents, to attack the problem of long-term visual localization. We show that semantically labeled 3D point maps of the environment, together with semantically segmented images, can be efficiently used for vehicle localization without the need for detailed feature descriptors (SIFT, SURF, etc.). Thus, instead of depending on hand-crafted feature descriptors, we rely on the training of an image segmenter. The resulting map takes up much less storage space compared to a traditional descriptor based map. A particle filter based semantic localization solution is compared to one based on SIFT-features, and even with large seasonal variations over the year we perform on par with the larger and more descriptive SIFT-features, and are able to localize with an error below 1 m most of the time.

作者主要想解决一个什么问题呢，想解决在长时间的跨季节的系统运行下，位置识别能够保证一个鲁棒的结果。

作者的策略是不用传统的人工描述子，而是利用图像的语义。通过结合有标注语义的3D点的环境地图和语义分割之后的图像，利用粒子滤波进行语义定位以实现一个误差小于1m的长时间视觉定位功能。

Introduction

首先讲为什么要在有预先建造的地图下进行自动驾驶（大多数目的在于日常活动，比如下班通勤的自动驾驶技术都依赖于一个pre-constructed地图）→而这之中最重要的是定位→定位需要信息，并且会创建landmarks来辅助理解信息：对于相机，landmark就是点特征，关联地图就利用这些点特征建立；定位时，寻找2D-3D的联系并且solvePnP求解位姿。→然后camera也有些问题啦：比如光下，季节天气变化下不鲁棒/光照强变化下没用，树这种没纹理的搞不定。！对光照变化非常敏感，就算描述子对环境鲁棒，但是匹配也会出现问题，由于探测器在定位期间不像在映射期间那样在相同点处触发。

所以！在充分不相似的场景下很难去依靠图像和地图的特征匹配完成建图和定位。

所以！问题可以归结于要找到一个环境描述，既可以用于定位，并且长时间不变，而且还紧凑。否则，你就只能一直更新地图。

好了上作者方法。作者主要是想证明语义的特征比传统的特征好

作者利用语义分割后的图片和语义点地图设计了一个定位算法。每一个点由它空间中的三维位置和语义类别来描述，不再使用传统的描述子来描述。这样从描述子到语义分割，算法具备了季节不变性。对比实验的话，就是在同系统下，利用每一个点由它空间中的三维位置和SIFT描述子来描述，同数据集作对比。

Problem statement

接下来是问题陈述：讲的是有关观测值的观测细节并引入map的一些注释。

首先，研究的问题是什么？: 本文关心的是在一个点特征的地图中，利用在线相机，能够顺序查找车的当前位置/或者说能时刻找到车的位置。

用的什么数据集：CMU，video+GPS

观测量
在时间 t下的测量值：速度和图像

里程：速度 $\pmb v_{t} = \begin{bmatrix} v_{t}^{x} &v_{t}^{y} & v_{t}^{z} \end{bmatrix}^{T}$ 和角速度 $\pmb \omega_{t} = \begin{bmatrix}\omega _{t}^{z} &\omega_{t}^{y} & \omega_{t}^{x}\end{bmatrix}^{T}$ (假设所有速度都受到高斯噪声的影响，并且角速度的测量值还被一个缓慢变化的bias影响)
图像： (选用的是双目相机)，对于图像这个观测值，常用的办法是将图像压缩成一组有对应特征向量的特征点。其观测值 $f_{t}$ ，点的图像坐标正则化后的表示为 $\pmb u_{t}^{i}$ ，点的描述符为 $\pmb d_{t}^{i}$ ，所以图像观测值可以表示为 $f_{t}=\begin{Bmatrix}\left \langle \pmb u_{t}^{i},\pmb d_{t}^{i} \right \rangle } \end{Bmatrix}_{i=1}^{n_{t}}$ 。

$f_{t}$ 的表达	本文方法 $f_{t}$	基于SIFT的 $f_{t}$
$f_{t}$ 的表达	$f_{t}$ 比较dense，并且每个点都会容纳进去	$f_{t}$ 比较稀疏，且只有sift特征点才会出现在 $f_{t}$ 中

地图，如何表示地图

$M=\begin{Bmatrix} \left \langle \pmb U_{i},\pmb D_{i},\pmb \nu _{i} \right \rangle \end{Bmatrix}_{i=1}^{M}$ 其中 $\pmb U_{i}=\begin{bmatrix} U_{i}_{e} &U_{i}_{n} & U_{i}_{u} \end{bmatrix}$ 是特征点的全局坐标，分别代表其在向东、向北、向上方向的值； $\pmb D_{i}$ 则是这个特征点对应的描述向量；最后 $\pmb \nu _{i}$ 表示它的可见性。 $\pmb \nu _{i} = \begin{bmatrix} \rho_{i}} &\gamma_{i}^{a } &\gamma_{i}^{b } & r_{i} \end{bmatrix}^{T}$ 。特征点可见性 $\pmb \nu _{i}$ 由可见概率 $\pmb \rho _{i}$ 和可见体积（ $\gamma_{i}^{a }, \ \gamma_{i}^{b } ,\ r_{i}$ ）来参数化表示。

这样空间点 $\pmb i$ 被建模后具有一个可被检测概率 $\pmb \rho _{i}$ ：即，在由角 $\pmb\gamma_{i}^{a }, \ \pmb\gamma_{i}^{b }$ 定义的角度（黄色涂抹的夹角区域），由 $\pmb r_{i}$ 控制长度（蓝色箭头指示方向）的一个楔形体积内的可检测概率 $\pmb \rho _{i}$ ，看图说话！

问题的数学表达

问题可以理解成 在给定所有观察的情况下递归地计算相对于地图M的车辆姿态的后验密度。

假设已知在t时刻下的车的pose状态量是 $\pmb x_{t}$ ， $\pmb x_{t}=\begin{bmatrix} e_{t} &n_{t} &u_{t} &\gamma _{t} &\beta_{t} &\alpha _{t} \end{bmatrix}^{T}$ ,其中 $(e_{t} ,n_{t} ,u_{t} )$ d代表的是global坐标， $( \gamma _{t} ,\beta_{t} ,\alpha _{t} )$ 代表yaw，pitch，roll角度，要顺序计算其后验概率密度 $p(x_{t}|f_{1:t}, M)$ 。

MODELS

作者是通过滤波的方法来解决的，滤波问题的解决可以看做两个模型的求解。（或者说一个运动方程一个观测方程？）

process model	描述系统状态量的变化
measurement model	描述状态量和观测量之间的关系

这里插播一下后验概率公式 $P\left (\theta \mid x_{0} \right ) =\frac{P\left ( x_{0} \mid \theta \right ) P\left ( \theta \right )}{P\left ( x_{0} \right )}$ 。

PROCESS MODEL

process模型套用的是一个点质量模型（point mass model）：

$p(x_{t}|x_{t-1}) = (1-\alpha)p_{m}(x_{t}|x_{t-1})+\alpha p_{r}(x_{t}|x_{t-1}) \ \ \ \ \ \ \ \ (0)$

可以把这个模型拆解为两个部分， $p_{m} \ \& \ p_{r}$ 。① 前一个 $p_{m}$ 以速度作为输入描述的是两个相邻时间上pose 的关系： $p_{m}(\cdot )$ 的含义由下方第一个式子得到，

$M (x_{t})=\Delta_{t}M(x_{t})\\ \\ \Delta= \begin{bmatrix} e^{\begin{bmatrix} \Delta_{t} \omega_{t}+q_{t}^{\omega } \end{bmatrix}_{\times } } &\Delta_{t} v_{t}+q_{t}^{v} \\ 0 &1 \end{bmatrix}\in SE(3)$ >>>> (1)

其中噪声 $\pmb q_{t}^{\omega }, \ \pmb q_{t}^{v}$ 服从正态分布： $\pmb q_{t}^{\omega } \sim N(0,\Delta_{t}Q^{\omega }), \ \pmb q_{t}^{v} \sim N(0,\Delta_{t}Q^{v })$ 。

②后一个 $p_{r}$ 为的是确保road上永远有一个很小的后验概率密度。这样可以使得丢失的滤波器再重新获得它的横向位置。

怎么做呢，通过轨迹上的投影，密度的一小部分会赋给road，所以 $p_{r}$ 是 $p_{m}$ 在road上的投影。最终获得(1)式的process model。

这里，road是由绘制的车辆已驾驶的路线route定义，route与地图中的3-D地标一起存储。

======================================

MEASUREMENT MODEL

为了方便读者对后文的理解，我们先把几个概率值的定义给出解释，如有误解，欢迎评论讨论

$\pmb f_{t}$ 一共有 $n_{t}$ 个feature，注意在semantic map中， $\pmb u_{t}^{i}$ 与 $\pmb d_{t}^{i}$ 相互独立

概率表达式子	以i进行解释，假设i描述的类别是building（building就是它的feature）/当然 $\lambda_{t}^{i}$ 也存在 = 0
$p \left ( \pmb u_{t}^{i}, \pmb d_{t}^{i} \| \pmb x_{t}, M_{\pmb \lambda_{t}^{i}} \right )$	假设此时 $\lambda_{t}^{i}$ ≠0， $\pmb d_{t}^{i}$ 为label。则t时刻，在点云里与feature i 相对应的且类别为 $\pmb D_{\pmb \lambda_{t}^{i}}$ 的3D点 $\pmb M_{\pmb \lambda_{t}^{i}}$ 上，观测到图像第i个特征点且label也为 $\pmb d_{t}^{i}$ 的概率
$p \left ( \pmb u_{t}^{i} \| \pmb x_{t}, U_{\pmb \lambda_{t}^{i}} \right )$	抛去语义。t时刻，在点云里与feature i 相对应的3D点 $\pmb U_{\pmb \lambda_{t}^{i}}$ 上，检测到对应图像点为第i点的概率。常数。
$\mathbf{Pr}\left \{ d_{t}^{i} \| \pmb x_{t}, M_{ \lambda_{t}^{i}} \right \}$	t时刻，在点云里与feature i 相对应的且类别为 $\pmb D_{\pmb \lambda_{t}^{i}}$ 的3D点 $\pmb M_{\pmb \lambda_{t}^{i}}$ 上，对应的图像特征点的label为 $\pmb d_{t}^{i}$ 的概率。

记得前文提到的，已知量是map，观测量是速度和图像。这里的输入量考虑的是图像，图像观测值可以表示为 $f_{t}=\begin{Bmatrix}\left \langle \pmb u_{t}^{i},\pmb d_{t}^{i} \right \rangle } \end{Bmatrix}_{i=1}^{n_{t}}$ 。作者的measurement model 是指当前图像 $\pmb f_{t}$ 给出的特征点(SIFT/semantic feature)的被测量概率的model，【一般的measurement likelihood值的是粒子权重（详见附录知识点1）】。

*measurement likelihood function会根据预测值与测量值之间的误差大小来计算每个粒子的权值（likelihood）。与观测值越接近的粒子权值越大，反之越小。

这里为了likelihood表述简明，假设了已知图像中的点与地图中的点的对应关系。这样就有了一个数据关联矢量 $\lambda _{t} = [\lambda_{t}^{1}, ... , \lambda_{t}^{n_{t}}]^{T}$ ，其中 $\lambda_{t}^{i} = j$ 代表的是图像特征相匹配的是地图特征（其中>0，代表图像特征有对应的特征出现在map中的，=0，代表在map中没有对应点）。然后，再假设pairs对 $\pmb u_{t}^{i}$ 与 $\pmb d_{t}^{i}$ 条件独立【pairs： $\pmb u_{t}^{i}$ (点的图像坐标正则化后的表示)和 $\pmb d_{t}^{i}$ (点的描述符)，条件独立见见附录知识点2】，我们得到了似然的表达式：

$p(\pmb f_{t}|\pmb \lambda_{t},\pmb x_{t}, M) = p\left ( \left \{ \left \langle \pmb u_{t}^{i}, \pmb d_{t}^{i} \right \rangle_{i=1}^{n} | \pmb \lambda_{t},\pmb x_{t}, M \right \} \right ) \ \ \ \ \ \ (4)$

$= \prod _{i} p \left ( \pmb u_{t}^{i}, \pmb d_{t}^{i} | \pmb \lambda_{t},\pmb x_{t}, M \right ) \\ \ \ =\prod _{i} p \left ( \pmb u_{t}^{i}, \pmb d_{t}^{i} | \pmb x_{t}, M_{\pmb \lambda_{t}^{i}} \right )$ 其中 $\pmb M_{\pmb \lambda_{t}^{i}}$ 顾名思义，是指在Map M中对应图像特征的3D点， $M_{\pmb \lambda_{t}^{i}}= \left \langle \pmb U_{i},\pmb D_{i},\pmb \nu _{i} \right \rangle$

$p \left ( \pmb u_{t}^{i}, \pmb d_{t}^{i} | \pmb x_{t}, M_{\pmb \lambda_{t}^{i}} \right )$ 是最终的每一类特征的measurement likelihood model

接下来对两种不同的特征的地图，p的建模 $p \left ( \pmb u_{t}^{i}, \pmb d_{t}^{i} | \pmb x_{t}, M_{\pmb \lambda_{t}^{i}} \right )$ 有所不同。

——————————————————

SIFT map

SIFTmap中，对于给定的数据关联，SIFT描述子对likelihood p不做贡献。【因为 $\pmb M_{\pmb \lambda_{t}^{i}}$ 是指在Map M中对应图像特征的3D点，所以此处的 $\pmb u_{t}^{i}$ 只代表SIFT特征点。】再假设检测SIFT关键点的位置受到噪声的影响：三维点的投影误差为零均值正态分布。

可以得到 $p \left ( \pmb u_{t}^{i}, \pmb d_{t}^{i} | \pmb x_{t}, M_{\pmb \lambda_{t}^{i}} \right ) \propto p\left ( \left \pmb u_{t}^{i} | \pmb x_{t}, U_{\pmb \lambda_{t}^{i}} \right ) \\ = \pmb N( \pmb u_{t}^{i}; \pi (x_{t},U_{\pmb \lambda_{t}^{i}} ), \sigma^{2}_{\pi} ) \ \ \ \ \(5)$ (没有descriptor)。

其中 $\pi(\cdot )$ 代表有透镜畸变的针孔相机模型， $\sigma^{2}_{\pi}$ 是detector误差的方差。相对于车辆坐标系的摄像机安装及其内部参数都隐含在 $\pi(\cdot )$ 。

------------------------------------------------------

Semantic map

1）单个特征点的似然表示

首先，描述子：图像中的 $\pmb d_{t}^{i}$ ，map中的 $\pmb D_{i}$ ，都只是代表其语义类别的标签。（特征点）包含了图像中所有的点。作者又开始假设了，像素坐标 $\pmb u_{t}^{i}$ 与像素类别 $\pmb d_{t}^{i}$ 独立，因此可以将单个特征点的likelihood划分为：

$p \left ( \pmb u_{t}^{i}, \pmb d_{t}^{i} | \pmb x_{t}, M_{\pmb \lambda_{t}^{i}} \right )= p \left ( \pmb u_{t}^{i} | \pmb x_{t}, U_{\pmb \lambda_{t}^{i}} \right ) \mathbf{Pr}\left \{ d_{t}^{i} | \pmb x_{t}, M_{\pmb \lambda_{t}^{i}} \right \} \ \ \ \ \ \ \ \ (6)$

2） $p \left ( \pmb u_{t}^{i} | \pmb x_{t}, U_{\pmb \lambda_{t}^{i}} \right )$ 的常量概率解释

但6式的表达会导致对观测值的过度置信，测量值越多，结果越糟。而且第一个因子， $p \left ( \pmb u_{t}^{i} | \pmb x_{t}, U_{\pmb \lambda_{t}^{i}} \right )$ 代表的是在pixel i中特征被检测到的可能性【第i个特征的对应点 $\pmb U_{\pmb \lambda_{t}^{i}}$ 检测到 $\pmb u_{t}^{i}$ 的概率】，显然这是一个常量,所以我们讲（6）式改写成（7）

$p \left ( \pmb u_{t}^{i}, \pmb d_{t}^{i} | \pmb x_{t}, M_{ \lambda_{t}^{i}} \right ) \propto \mathbf{Pr}\left \{ d_{t}^{i} | \pmb x_{t}, M_{ \lambda_{t}^{i}} \right \} \ \ \ \ \ \ \ \ (7)$

即t时刻，在点云里与feature i 相对应的且类别为 $\pmb D_{\pmb \lambda_{t}^{i}}$ 的3D点 $\pmb M_{\pmb \lambda_{t}^{i}}$ 上，对应的图像特征点的label为 $\pmb d_{t}^{i}$ 的概率。

3）关于 $\mathbf{Pr}\left \{ d_{t}^{i} | \pmb x_{t}, M_{ \lambda_{t}^{i}} \right \}$ 的讨论，像素点能否在map中存在

而对于（7）式右边的 $\mathbf{Pr}\left \{ d_{t}^{i} | \pmb x_{t}, M_{ \lambda_{t}^{i}} \right \}$ ，我们又可以分为两个情况考虑：pixel i 到底在map中有没有对应的投影点，即， $\lambda_{t}^{i} = 0/\lambda_{t}^{i} >0$

$\lambda_{t}^{i} = 0$ 。不能从map中得到类别信息，假设这些像素的分布服从所有类别上的边缘分布：（所有类别应该是独立的）

$\mathbf{Pr}\left \{ d_{t}^{i} | \lambda_{t}^{i}=0,\pmb x_{t}, M_{ \lambda_{t}^{i}} \right \} =\mathbf{Pr}\left \{ d_{t}^{i} \right \}$

$\lambda_{t}^{i} >0$ 。在这个情况里，虽然像素点和地图点对应，但是我们仍然不确定我们是否在图像中检测到该3D点的对应点还是被某物（例如车辆或行人）遮挡。为了处理这种不确定性，我们引入了检测变量 $\delta$ ，如果在图像中检测到地图点，则为1，否则为0。使用这个检测变量，我们可以表示具有相应地图点的像素的可能性：

$\mathbf{Pr}\left \{ d_{t}^{i} | \pmb x_{t}, M_{ \lambda_{t}^{i}} \right \} = \\ \sum_{\delta \in \left \{ 0,1 \right \}} \mathbf{Pr}\left \{ d_{t}^{i} | \delta , M_{ \lambda_{t}^{i}} \right \} \mathbf{Pr}\left \{ \delta | \pmb x_{t}, M_{ \lambda_{t}^{i}} \right \}$

和式的前一项代表的是给定特定地图点被遮挡或可见的像素类别概率。其中， $\mathbf{Pr}\left \{ d_{t}^{i} | \delta =0 , D_{ \lambda_{k}^{i}} \right \}$ 代表点被遮挡，也就是 $\delta = 0$ 时像素类别的概率， $\mathbf{Pr}\left \{ d_{t}^{i} | \delta =1 , D_{ \lambda_{k}^{i}} \right \}$ 是在图像中可见情况下的像素类别的概率。这些是传感器特定的模型，也取决于所使用的语义分割算法的属性。

后一项描述了给定地图点可见的概率，具体表达为

$\mathbf{Pr} \left\{ \delta =1 | x_{t}, U_{ \lambda_{k}^{i}}, \nu_{ \lambda_{k}^{i}} \right \} = v( x_{t}, U_{ \lambda_{k}^{i}}, \nu_{ \lambda_{k}^{i}} ) \rho_{ \lambda_{k}^{i}} (1-P_{o})$

回想在map中定义的楔形，如果观测量 $x_{t}$ 在这个楔形区域内，则 $v(\cdot )$ 的值为1。 $P_{o}$ 指定可见地图点被遮挡的概率。

$\\\mathbf{Pr} \left\{ \delta =0 | x_{t}, U_{ \lambda_{k}^{i}}, \nu_{ \lambda_{k}^{i}} \right \} =\mathbf{Pr} \left\{ \delta =1 | x_{t}, U_{ \lambda_{k}^{i}}, \nu_{ \lambda_{k}^{i}} \right \} ^{-1}$ $\delta = 0$ 为 $\delta = 1$ 的倒数

4）总结

总的来说，将可能性分解为像素坐标的一个部分和描述符的一个部分。像素部分 $\pmb u_{k}^{i}$ ，值为1；而 $\pmb d_{k}^{i}$ 是由(4)式中所有帖子的乘积得到的，并且根据它有没有对应的map point而分两种情况计算：

$\pmb p(\pmb f_{t}|\pmb \lambda_{t},\pmb x_{t}, M) =\prod _{i} \pmb p \left ( \pmb u_{t}^{i}, \pmb d_{t}^{i} | \pmb x_{t}, M_{\pmb \lambda_{t}^{i}} \right ) \\ =\prod _{i\in\left \{ i:\lambda_{t}^{i}>0 \right \}} \pmb p \left ( \pmb d_{t}^{i} | \pmb x_{t}, M_{\pmb \lambda_{t}^{i}} \right ) \prod _{i\in\left \{ i:\lambda_{t}^{i}=0 \right \}} \mathbf{Pr} \left ( \pmb d_{t}^{i} \right ) \ \ \ \ (11)$

#这一章真的是绕......

Algorithm Details

好了，模型搞清楚之后我们进入滤波器部分。

SIFT FILTER

采用的是UKF无损卡尔曼滤波。在proposal的匹配上用RANSAC提取内点。UKF利用（1）运动方程和（5）观测方程来完成定位。
*前文公式(0)的“on road” 还包括从最近的道路点可见的地图点，而不是仅从当前估计得到。
the data associations：SIFT里不像Semantic里有简单的得到正确匹配的方法。这里作者基于相机位姿和可见点集，从M中选择一个可能可视的子集 $M_{t}$ ，再选择 $\lambda_{t}$ 。这样，以及观察到的SIFT特征就会匹配到它们在 $M_{t}$ 中的最邻近点；再利用Lowe's ratio creation 选择候选，3点的RANSAC方法去剔除错误匹配。最后根据重投影误差给出最接近的内点，再用于UKF中。

SEMANTIC FILTER

(这部分不细细解读了，说来说去也是作者对一些参数的设置，一些情况的解决，直接翻译了)

对于使用语义数据的定位，我们选择了一个自举粒子滤波器来递归地估计后验分布作为加权狄拉克函数的总和。
为了能够评估粒子的似然，我们首先需要确定地图中哪些点可能是可见的。这类似于对SIFT情况所做的，并且仅需要近似地进行，因此可以同时计算几个附近的粒子，例如，使用它们的平均位置以及地图中的可见性参数。
然后将潜在可见点投影到图像平面，为每个粒子创建从地图到像素的唯一分配 $\lambda_{t}$ 。
map points 投影到语义分割的图像
用(11)式子除以常数 $\prod_{i} \mathbf{Pr} \left ( \pmb d_{t}^{i} \right )$ 项，简化权重更新，因为我们只需要考虑投影到其中的点的像素.( $\lambda_{t}^{i} = 0$ 不再考虑了 ) $\pmb p(\pmb f_{t}|\pmb \lambda_{t},\pmb x_{t}, M) \propto \frac{ \prod _{i\in\left \{ i:\lambda_{t}^{i}>0 \right \}} \pmb p \left ( \pmb d_{t}^{i} | \pmb x_{t}, M_{\pmb \lambda_{t}^{i}} \right )}{\prod _{i\in\left \{ i:\lambda_{t}^{i}>0 \right \}} \mathbf{Pr} \left ( \pmb d_{t}^{i} \right ) }$ ，【 $\prod_{i} \mathbf{Pr} \left ( \pmb d_{t}^{i} \right )$ 注意这个i是任意的，so除掉一部分还有一部分做分母】
因为我们选择将测量建模为条件独立的，而实际上并非如此，这样得到的状态更新过于相信测量值，为了减少这种影响，我们将测量可能性提高到小于1的正数，这样粒子j的重量更新变为

其中 $\omega _{t}^\left (j \right )$ 是与具有状态 $\pmb x_{t}^\left ( j \right )$ 的粒子的权重，s是设置为3的缩放倍数， $n_{\lambda _{t}}$ 是在图像中投影的地图点的数量，并且 $N_{c}$ = 400是限制的最大值，而更多图像中的投影地图点不会提供更多信息，理由是更多点意味着它们在图像中的间距更小，因此它们相应的测量值彼此更相关。

Experiment Evaluation

Setup：

数据集：卡内基梅隆大学视觉定位数据集上进行评估，双目，在2010年9月1日至2010年9月2日期间在匹兹堡大约9公里的路线上行驶了16次。由城市和郊区以及绿色公园组成，其中大部分植被在摄像机中可见。
我们在评估中使用了这16个序列中的12个。选定的运行数据集记录了整个季节环境的变化，以及各种天气和照明条件的变化。
使用VLFeat提取SIFTfeatures，并使用Dilation 10完成语义分割。

MAP CREATION

怎么制作Map呢，作者简单介绍了下，并强调重点还是model。

利用数据集的第一个序列图像制作，剩下的数据集不用以map制作，只作为定位验证集。
pipeline：SFM。并利用GPS和里程计约束来获取内置轨迹，光束法平差得到landmark和poses。
计算效率问题解决：①去除静止和慢速图像，减少运算负担；②将sequence分为几个小序列各自map。
再给map point增加描述子：① 对于SIFT图，将3-D点对应的每个视图的描述符的算术平均值作为3-D点的SIFT描述符。 ②对于语义地图，每个检测点的7×7像素的邻域内，将这些像素的类上的归一化直方图直接用作 $\mathbf{Pr}\left \{ d_{t}^{i} | \delta =1 , D_{ \lambda_{k}^{i}} \right \}$ 。根据数据计算（8）的边缘函数，作为映射序列中所有图像中所有像素的归一化直方图。 $\mathbf{Pr}\left \{ d_{t}^{i} | \delta =0 , D_{ \lambda_{k}^{i}} \right \}$ 是边缘PMF的手动调整。汽车和行人等动态物体出现，静止物体减少时，概率增加。
关于描述子:图4:SIFT描述符的大小相比语义大了太多。同时，观察到通常每个点只有三个或更少类的概率质量，所以如果只为每个点编码前三个最可能的类，则描述符大小可以减少到39位。

GROUND TRUTH

数据集提供“车辆状态”的地面实况数据，其中包括pose，但是不足以评估定位。 为了获得更可靠的ground truth，通过与地图创建中相同的SFM方法，添加序列图像和优化pose之间的手动对应来对齐图像序列。里程计测量值是根据地面真实姿势之间的相对运动产生的，然后再加上噪声和偏差。

Conclusion

result
localization error is within 0.5m, 1m,and 2m, for each of the 11 localization trials

语义失败原因：

一个或者两个都被误分类了。---解决：语义分割更精确
有些场景无纹理--解决：添加更多的类

SIFT失败原因：

找不到足够多的匹配点

disucussion

的确效果还没有太好，但的确是给出了一个语义定位的方案，虽然有些繁琐，但的确开启了思路，具有它的独创性，也可以喊大家一起来填填坑。interesting。

附录知识点

测量似然函数：在预测下一个状态之后，您可以使用来自传感器的测量值来校正预测的状态。通过在粒子过滤器对象中指定测量似然函数，您可以使用正确的函数来校正预测的粒子。这个测量似然函数，根据定义，给出基于给定测量的状态假设（粒子）的权重。从本质上讲，它给了你观察到的测量结果与每个粒子观察到的结果相匹配的可能性。这种可能性被用作预测粒子的权重，以帮助校正它们并得到最好的估计。--来自网址 https://www.cnblogs.com/21207-iHome/p/7097772.html
条件独立：给定第三个事件，如果，则称X和Y是条件独立事件，符号表示为。若X，Y关于事件Z条件独立，则有以下一些理解：①事件 Z 的发生，使本来可能不独立的事件A和事件B变得独立起来；②事件Z 的出现或发生，解开了X 和 Y 的依赖关系。
狄拉克函数：在概念上，它是这么一个“函数”：在除了零以外的点函数值都等于零，而其在整个定义域上的积分等于1

2018.9.14

你可能感兴趣的:(论文系列,SLAM领域,深度学习,闭环检测)

02、数据结构与算法 - 基础：数组 - 吊打面试官星星学霸数据结构与算法 -吊打面试官 python 开发语言 java 算法数据结构
更多系列教程，每天更新更多教程关注：xxxueba.com星星学霸本篇博客我们介绍数据结构的鼻祖------数组，可以说数组几乎能表示一切的数据结构，在每一门编程语言中，数组都是重要的数据结构，当然每种语言对数组的实现和处理也不相同，但是本质是都是用来存放数据的的结构，这里我们以Java语言为例，来详细介绍Java语言中数组的用法。Java中数组的介绍在Java中，数组是用来存放同一种数据类型的集
深入解析两大AI模型的架构与功能草莓屁屁我不吃人工智能 chatgpt
在人工智能（AI）领域，自然语言处理（NLP）一直是研究的热点之一。随着技术的不断进步，我们见证了从简单的聊天机器人到复杂语言模型的演变。其中，Google的Gemini和OpenAI的ChatGPT作为两大代表性模型，各自在技术和应用上展现出了卓越的性能。本文将详细解析Gemini和ChatGPT的系统架构、功能特性及其背后的技术原理。Gemini模型详解技术背景与架构Gemini，顾名思义，意
如何减少跨团队交付摩擦？——基于 DevOps 与敏捷的最佳实践网罗开发实战实战源码 devops 运维
网罗开发（小红书、快手、视频号同名）大家好，我是展菲，目前在上市企业从事人工智能项目研发管理工作，平时热衷于分享各种编程领域的软硬技能知识以及前沿技术，包括iOS、前端、HarmonyOS、Java、Python等方向。在移动端开发、鸿蒙开发、物联网、嵌入式、云原生、开源等领域有深厚造诣。图书作者：《ESP32-C3物联网工程开发实战》图书作者：《SwiftUI入门，进阶与实战》超级个体：CO
FireRedASR：精准识别普通话、方言和歌曲歌词！小红书开源工业级自动语音识别模型蚝油菜花每日 AI 项目与应用实例语音识别人工智能人工智能开源
❤️如果你也关注AI的发展现状，且对AI应用开发感兴趣，我会每日分享大模型与AI领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！微信公众号｜搜一搜：蚝油菜花大家好，我是蚝油菜花，今天跟大家分享一下FireRedASR这个小红书开源的工业级自动语音识别模型。快速阅读FireRedASR是小红书开源的工业级自动语音识别模型，支持普通话、中文方言和英语。该模型在普通话ASR基准测试
java实现卷积神经网络CNN（附带源码） Katie。 Java 实战项目 java
Java实现卷积神经网络（CNN）项目详解目录项目概述1.1项目背景与意义1.2什么是卷积神经网络（CNN）1.3卷积神经网络的应用场景相关知识与理论基础2.1神经网络与深度学习概述2.2卷积操作与卷积层原理2.3激活函数与池化层2.4全连接层与损失函数2.5前向传播、反向传播与梯度下降项目需求与分析3.1项目目标3.2功能需求分析3.3性能与扩展性要求3.4异常处理与鲁棒性考虑系统设计与实现思路
探索未来架构：基于AWS的响应式微服务框架柏赢安Simona
探索未来架构：基于AWS的响应式微服务框架reactive-refarch-cloudformationReactiveMicroservicesArchitectureswithAmazonECS,AWSLambda,AmazonKinesisStreams,AmazonElastiCache,andAmazonDynamoDB项目地址:https://gitcode.com/gh_mirror
展望 AIGC 前景：通义万相 2.1 与蓝耘智算平台共筑 AI 生产力高地 accurater AIGC 人工智能神经网络深度学习
喜欢可以到主页订阅专栏引言人工智能生成内容（AIGC）技术正在重塑内容创作、影视制作、广告设计等行业的底层逻辑。作为该领域的革命性技术代表，通义万相2.1凭借其开源特性、多模态生成能力和技术突破，成为全球视频生成模型的标杆。而蓝耘智算平台则通过高性能算力支持与分布式架构优化，为AIGC技术的规模化应用提供了基础设施保障。两者的协同不仅推动了AI生产力的跃迁，更开启了从技术研发到商业落地的全链条创新
批量安装 Python 库的脚本：提高python学习效率的第一步（附源码） TAGRENLA Interesting python project python 学习开发语言
批量安装Python库批量安装Python库的脚本：提高数据分析效率的一步（附源码）批量安装脚本前提条件使用pip：Python包管理工具批量安装脚本查看当前python解释器中安装的所有的库批量安装Python库的脚本：提高数据分析效率的一步（附源码）在现代数据分析领域，Python已成为一个不可或缺的工具。为了进行数据处理、分析、可视化和建模等任务，Python社区涌现出了众多强大的库和工具。
文心一言提前免费，高性能大模型全面入局该咋看？江瀚视野人工智能机器人
3月16日，百度正式发布文心大模型4.5及文心大模型X1，在文心一言官网即可免费使用。这件事我们该怎么看？首先，从技术创新的角度来看，百度文心大模型4.5和X1的发布展示了百度在AI大模型领域的显著进步。文心大模型4.5作为首个原生多模态大模型，在多模态理解、文本和逻辑推理能力上的显著提升，使其在多项测试中表现优于GPT4.5，这体现了百度在AI技术研发上的深厚积累。同时，文心大模型X1作为深度思
Python编码系列—Python代码重构：提升代码质量学步_技术 Python编码 python 重构开发语言
欢迎来到我的技术小筑，一个专为技术探索者打造的交流空间。在这里，我们不仅分享代码的智慧，还探讨技术的深度与广度。无论您是资深开发者还是技术新手，这里都有一片属于您的天空。让我们在知识的海洋中一起航行，共同成长，探索技术的无限可能。探索专栏：学步_技术的首页——持续学习，不断进步，让学习成为我们共同的习惯，让总结成为我们前进的动力。技术导航：人工智能：深入探讨人工智能领域核心技术。自动驾驶：分享自动
python提取excel数据批量生成固定格式的word文件的问题鱼弦【HOT】技术热谈 excel word
鱼弦：公众号【红尘灯塔】，CSDN博客专家、内容合伙人、新星导师、全栈领域优质创作者、51CTO(Top红人+专家博主)、github开源爱好者（go-zero源码二次开发、游戏后端架构https://github.com/Peakchen）使用Python从Excel中提取数据并生成固定格式的Word文档1.介绍本项目旨在介绍如何使用Python从Excel中提取数据并生成固定格式的Word文档
python 使用microsoft-Florence-2-base进行图片描述生成哦里哦里哦里给 AI 大语言模型实战 python microsoft 开发语言
目录一、Florence-2简介二、代码实践三、多语言模型一、Florence-2简介Florence-2是一个先进的视觉基础模型，采用基于提示（prompt）的方式，处理广泛的视觉和视觉-语言任务。Florence-2能够解析简单的文本提示，执行如图像描述、物体检测和分割等任务。该模型利用FLD-5B数据集，该数据集包含54亿个注释，涵盖1.26亿张图像，用于掌握多任务学习。模型的序列到序列架构
Lua语言的自动化测试穆韵澜包罗万象 golang 开发语言后端
Lua语言的自动化测试随着软件开发的迅猛发展和不断变化的需求，自动化测试逐渐成为确保软件质量的重要环节。自动化测试不仅可以大幅度提高测试效率，还能减少人工测试的误差，从而提升产品的稳定性和可靠性。在众多编程语言中，Lua以其简洁、灵活和高效的特性，逐渐成为自动化测试领域的一个有力工具。本文将深入探讨Lua语言在自动化测试中的应用，包括其基本特性、优势、常用框架以及实践中的最佳实践。一、Lua语言简
Lua语言的嵌入式调试涂瑷菡包罗万象 golang 开发语言后端
Lua语言的嵌入式调试引言Lua是一种轻量级、高效的脚本语言，广泛应用于游戏开发、嵌入式系统、Web开发等领域。其简洁的语法和强大的扩展性使得Lua成为众多开发者的首选语言。在嵌入式系统中，由于资源有限，调试工作尤其重要。通过有效的调试手段，可以及时发现并解决潜在问题，提高系统的运行稳定性。本文将详细探讨Lua语言在嵌入式系统中的调试方法，包括调试工具、常见调试技巧和最佳实践等，旨在为开发者提供一
MDX语言的设备管理穆骊瑶包罗万象 golang 开发语言后端
设备管理中的MDX语言应用引言设备管理是在各行各业中都至关重要的一环，尤其是在制造业、物流业、以及信息技术等领域。设备的正常运行直接关系到企业的生产效率和经济效益。随着信息技术的不断发展，现代企业越来越依赖数据来优化设备管理。而MDX（MultidimensionalExpressions）语言作为多维数据库查询的标准语言，能够有效支持设备管理中的数据分析和决策支持。本文将深入探讨MDX语言在设备
从0到1构建AI深度学习视频分析系统--基于YOLO 目标检测的动作序列检查系统：（2）消息队列与消息中间件 shiter 人工智能系统解决方案与技术架构人工智能深度学习音视频
文章大纲原始视频队列Python内存视频缓存优化方案（4GB以内）一、核心参数设计二、内存管理实现三、性能优化策略四、内存占用验证五、高级优化技巧六、部署建议检测结果队列YOLO检测结果队列技术方案一、技术选型矩阵二、核心实现代码三、性能优化策略四、可视化方案对比五、部署建议逻辑判定队列时间片图论时间序列大模型引入参考文献原始视频队列想要在单机内存中缓存1-5分钟的视频片段，python技术栈的话
python selenium 点击按钮_Python Selenium等待用户单击按钮 Shu Wang python selenium 点击按钮
语境：>我的脚本使用seleniumwebdriver启动到网站>用户填写网站上的一些东西>用户将点击一个按钮,弹出确认()dialogbox询问用户“你想提交数据吗”我的本意：我的脚本会等到用户点击按钮.一旦检测到用户点击了该按钮,我的脚本就会获得一个元素的值,然后(不知何故)在dialogbox上单击OK.题：如何等待用户点击按钮？然后如何在dialogbox上单击“确定”？补充说明：使用：c
从零开始大模型开发与微调：PyCharm的下载与安装 AI天才研究院 AI大模型企业级应用开发实战 AI大模型应用入门实战与进阶 DeepSeek R1 &大数据AI人工智能大模型计算科学神经计算深度学习神经网络大数据人工智能大型语言模型 AI AGI LLM Java Python 架构设计 Agent RPA
从零开始大模型开发与微调：PyCharm的下载与安装1.背景介绍随着人工智能和深度学习技术的不断发展,大型语言模型(LargeLanguageModels,LLMs)已经成为当前最引人注目的研究热点之一。LLMs能够在各种自然语言处理任务上展现出惊人的性能,例如机器翻译、文本生成、问答系统等。PyTorch和TensorFlow等深度学习框架为训练和微调大型语言模型提供了强大的支持。PyCharm
A survey on instance segmentation: state of the art——论文笔记栀子清茶 1024程序员节论文阅读计算机视觉人工智能笔记学习
摘要这篇论文综述了实例分割的研究进展，定义其为同时解决对象检测和语义分割的问题。论文讨论了实例分割的背景、面临的挑战、技术演变、常用数据集，并总结了相关领域的最新成果和未来研究方向。实例分割的发展从粗略的对象分类逐步演变为更精细的像素级别推理，广泛应用于自动驾驶、机器人等领域。论文为研究人员提供了对实例分割领域的全面了解和有价值的参考。一、简介第一部分“简介”主要介绍了实例分割的背景、定义和挑战。
【从零开始学习计算机科学】数字逻辑（四）数字系统设计贫苦游商学习数字逻辑 verilog 数字系统 HDL 数字电路 FPGA
【从零开始学习计算机科学】数字逻辑（四）数字系统设计数字系统设计硬件描述语言HDL（HardwareDescriptionLanguage）VerilogHDL的起源与发展HDL软核、固核和硬核的重用HDL的应用数字系统设计实现数字系统设计一个数字集成电路的可以从不同的层次（系统级、算法级、寄存器传输级、门级、开关级）以及不同的领域（行为领域、结构领域、物理领域）进行描述。三个领域主要含义如下：行
大模型系列——正式推出 Spring AI MCP：用于 MCP（模型上下文协议）的 Java SDK 不二人生大模型人工智能大模型
大模型系列——正式推出SpringAIMCP：用于MCP（模型上下文协议）的JavaSDK我们很高兴推出SpringAIMCP，它是模型上下文协议（ModelContextProtocol，MCP）的强大JavaSDK实现。SpringAI生态系统的这一新成员为Java平台带来了标准化的AI模型集成能力。MCP是什么？模型上下文协议（MCP）是一种开放式协议，它规范了应用程序为大型语言模型（LLM
新手村：数据预处理-异常值检测方法嘉羽很烦机器学习机器学习
机器学习中异常值检测方法一、前置条件知识领域要求编程基础Python基础（变量、循环、函数）、JupyterNotebook或PyCharm使用。统计学基础理解均值、中位数、标准差、四分位数、正态分布、Z-score等概念。机器学习基础熟悉监督/无监督学习、分类、聚类、回归等基本概念。数据预处理数据清洗、特征缩放（标准化/归一化）、数据可视化（Matplotlib/Seaborn）。二、渐进式学习
CTP开发爬坑指北（四）开心秋水 CTP c++金融网络协议
CTP开发中有很多需要注意的小细节，稍有不慎就会出问题，不然，轻则表现与预期不符，重则程序崩溃影响策略盈利。本系列将容易遇到的坑列出来，以供开发时参考，如有疑义之处，欢迎指正。三人行，必有我师焉。欢迎加入QQ群736174420，一起讨论交易CTP的使用！~01哪些报单状态是最终状态？我们先来看CTP中有哪些报单状态：/*报单状态*////全部成交#defineTHOST_FTDC_OST_All
遗传算法与深度学习实战（2）——生命模拟及其应用盼小辉丶遗传算法与深度学习实战深度学习人工智能遗传算法
遗传算法与深度学习实战（2）——生命模拟及其应用0.前言1.康威生命游戏1.1康威生命游戏的规则1.2实现康威生命游戏1.3空间生命和智能体模拟2.实现生命模拟3.生命模拟应用小结系列链接0.前言生命模拟是进化计算的一个特定子集，模拟了自然界中所观察到的自然过程，例如粒子或鸟群的聚集方式。生命模拟只是用来探索和优化问题的模拟形式之一，还有很多其他形式的模拟，可以更好地建模各种过程，但它们都源于康威
在Python中如何检测和解决内存泄漏问题 python资深爱好者 python jvm
在Python中，内存泄漏通常不是像在一些低级语言（如C或C++）中那样常见，因为Python的内存管理（包括自动垃圾回收）相对高级且自动化。然而，在长时间运行的应用程序中，特别是在使用大量循环、大型数据结构或外部库时，仍然可能出现内存泄漏。以下是在Python中检测和解决内存泄漏的一些方法：1.使用内存分析工具a.objgraphobjgraph是一个用于分析Python对象图的库，可以帮助你识
抽象工厂模式倒霉男孩 java设计模式抽象工厂模式
抽象工厂模式抽象工厂模式是一种创建型设计模式，旨在提供一个接口来创建一系列相关或依赖对象，而无需指定其具体类。同级别产品指同一类型产品，，同产品族是指一组相关的对象或产品，类似同一品牌。抽象工厂模式是工厂方法模式的升级版，工厂方法模式只生产一个等级的产品，而抽象工厂模式可生产多个等级的产品。抽象工厂模式结构：抽象工厂（AbstractFactory）：声明创建不同产品的方法（如createButt
Python在数据处理中的应用：从入门到精通程之编 python 信息可视化开发语言
活动发起人@小虚竹想对你说：这是一个以写作博客为目的的创作活动，旨在鼓励大学生博主们挖掘自己的创作潜能，展现自己的写作才华。如果你是一位热爱写作的、想要展现自己创作才华的小伙伴，那么，快来参加吧！我们一起发掘写作的魅力，书写出属于我们的故事。我们诚挚邀请你参加为期14天的创作挑战赛！在当今数字化时代，数据处理已成为各个领域不可或缺的一部分。无论是企业决策、科学研究还是日常的个人数据分析，掌握高效的
Web3.0 从入门到实战：一站式开发指南七七知享 Web web3 html5 javascript 区块链网络安全安全 web安全
在科技浪潮持续翻涌的当下，Web3.0作为互联网发展的全新篇章，正以前所未有的姿态重塑数字世界格局。从去中心化应用（DApps）蓬勃兴起，到区块链技术成为底层支撑架构，Web3.0开启了一个用户真正掌控数据、价值自由流通的崭新时代。对于怀揣探索精神的开发者而言，投身Web3.0领域，不仅意味着解锁全新技术栈，更能参与塑造互联网的未来形态。本文精心打造了一套从理论基石铺陈，到实战项目落地的Web3.
MobileNet家族：从v1到v4的架构演进与发展历程彩旗工作室人工智能架构人工智能机器学习 cnn 卷积神经网络
MobileNet是一个专为移动设备和嵌入式系统设计的轻量化卷积神经网络（CNN）家族，旨在在资源受限的环境中实现高效的图像分类、对象检测和语义分割等任务。自2017年首次推出以来，MobileNet经历了从v1到v4的多次迭代，每一代都在计算效率、模型大小和准确性上取得了显著进步。本文将详细探讨MobileNetv1、v2、v3和v4的原理、架构设计及其发展历程，并分析其关键创新和性能表现。Mo
2、3ds Max的界面（3DMAX基础自学系列） weixin_34409703
一、3dsMax2012中文版的操作界面二、各功能区的介绍1、菜单栏菜单栏位于软件界面顶部，共13个，分别是文件、编辑(E)、工具(T)、组(G)、视图(V)、创建(C)、修改器、动画、图标编译器、渲染(R)、自定义(U)、MAXScript(M)、帮助(H)。可以使用ALT+菜单的字母来打开菜单。①文件左上角的Max图标为文件操作入口，旁边为文件操作的快捷按钮，包含用于管理文件的命令，包括创建、
[黑洞与暗粒子]没有光的世界 comsci
无论是相对论还是其它现代物理学,都显然有个缺陷,那就是必须有光才能够计算但是,我相信,在我们的世界和宇宙平面中,肯定存在没有光的世界.... 那么,在没有光的世界,光子和其它粒子的规律无法被应用和考察,那么以光速为核心的 &nbs
jQuery Lazy Load 图片延迟加载 aijuans jquery
基于 jQuery 的图片延迟加载插件，在用户滚动页面到图片之后才进行加载。对于有较多的图片的网页，使用图片延迟加载，能有效的提高页面加载速度。版本： jQuery v1.4.4+ jQuery Lazy Load v1.7.2 注意事项：需要真正实现图片延迟加载，必须将真实图片地址写在 data-original 属性中。若 src
使用Jodd的优点 Kai_Ge jodd
1. 简化和统一 controller ，抛弃 extends SimpleFormController ，统一使用 implements Controller 的方式。 2. 简化 JSP 页面的 bind, 不需要一个字段一个字段的绑定。 3. 对 bean 没有任何要求，可以使用任意的 bean 做为 formBean。使用方法简介
jpa Query转hibernate Query 120153216 Hibernate
public List<Map> getMapList(String hql, Map map) { org.hibernate.Query jpaQuery = entityManager.createQuery(hql); if (null != map) { for (String parameter : map.keySet()) { jp
Django_Python3添加MySQL/MariaDB支持 2002wmj mariaDB
现状首先，[email protected] 中默认的引擎为 django.db.backends.mysql 。但是在Python3中如果这样写的话，会发现 django.db.backends.mysql 依赖 MySQLdb[5] ，而 MySQLdb 又不兼容 Python3 于是要找一种新的方式来继续使用MySQL。 MySQL官方的方案首先据MySQL文档[3]说，自从MySQL
在SQLSERVER中查找消耗IO最多的SQL 357029540 SQL Server
返回做IO数目最多的50条语句以及它们的执行计划。 select top 50 (total_logical_reads/execution_count) as avg_logical_reads, (total_logical_writes/execution_count) as avg_logical_writes, (tot
spring UnChecked 异常官方定义！ 7454103 spring
如果你接触过spring的事物管理！那么你必须明白 spring的非捕获异常！即 unchecked 异常！因为 spring 默认这类异常事物自动回滚！！ public static boolean isCheckedException(Throwable ex) { return !(ex instanceof RuntimeExcep
mongoDB 入门指南、示例 adminjun java mongodb 操作
一、准备工作 1、下载mongoDB 下载地址：http://www.mongodb.org/downloads 选择合适你的版本相关文档：http://www.mongodb.org/display/DOCS/Tutorial 2、安装mongoDB A、不解压模式：将下载下来的mongoDB-xxx.zip打开，找到bin目录，运行mongod.exe就可以启动服务，默
CUDA 5 Release Candidate Now Available aijuans CUDA
The CUDA 5 Release Candidate is now available at http://developer.nvidia.com/<wbr></wbr>cuda/cuda-pre-production. Now applicable to a broader set of algorithms, CUDA 5 has advanced fe
Essential Studio for WinRT网格控件测评 Axiba JavaScript html5
Essential Studio for WinRT界面控件包含了商业平板应用程序开发中所需的所有控件，如市场上运行速度最快的grid 和chart、地图、RDL报表查看器、丰富的文本查看器及图表等等。同时，该控件还包含了一组独特的库，用于从WinRT应用程序中生成Excel、Word以及PDF格式的文件。此文将对其另外一个强大的控件——网格控件进行专门的测评详述。网格控件功能 1、
java 获取windows系统安装的证书或证书链 bewithme windows
有时需要获取windows系统安装的证书或证书链，比如说你要通过证书来创建java的密钥库。有关证书链的解释可以查看此处。 public static void main(String[] args) { SunMSCAPI providerMSCAPI = new SunMSCAPI(); S
NoSQL数据库之Redis数据库管理(set类型和zset类型) bijian1013 redis 数据库 NoSQL
4.sets类型 Set是集合，它是string类型的无序集合。set是通过hash table实现的，添加、删除和查找的复杂度都是O(1)。对集合我们可以取并集、交集、差集。通过这些操作我们可以实现sns中的好友推荐和blog的tag功能。 sadd：向名称为key的set中添加元
异常捕获何时用Exception，何时用Throwable bingyingao
用Exception的情况 try { //可能发生空指针、数组溢出等异常 } catch (Exception e) {
【Kafka四】Kakfa伪分布式安装 bit1129 kafka
在http://bit1129.iteye.com/blog/2174791一文中，实现了单Kafka服务器的安装，在Kafka中，每个Kafka服务器称为一个broker。本文简单介绍下，在单机环境下Kafka的伪分布式安装和测试验证 1. 安装步骤 Kafka伪分布式安装的思路跟Zookeeper的伪分布式安装思路完全一样，不过比Zookeeper稍微简单些(不
Project Euler bookjovi haskell
Project Euler是个数学问题求解网站，网站设计的很有意思，有很多problem，在未提交正确答案前不能查看problem的overview，也不能查看关于problem的discussion thread，只能看到现在problem已经被多少人解决了，人数越多往往代表问题越容易。看看problem 1吧： Add all the natural num
Java-Collections Framework学习与总结-ArrayDeque BrokenDreams Collections
表、栈和队列是三种基本的数据结构，前面总结的ArrayList和LinkedList可以作为任意一种数据结构来使用，当然由于实现方式的不同，操作的效率也会不同。这篇要看一下java.util.ArrayDeque。从命名上看
读《研磨设计模式》-代码笔记-装饰模式-Decorator bylijinnan java 设计模式
声明：本文只为方便我个人查阅和理解，详细的分析以及源代码请移步原作者的博客http://chjavach.iteye.com/ import java.io.BufferedOutputStream; import java.io.DataOutputStream; import java.io.FileOutputStream; import java.io.Fi
Maven学习(一) chenyu19891124 Maven私服
学习一门技术和工具总得花费一段时间，5月底6月初自己学习了一些工具，maven+Hudson+nexus的搭建，对于maven以前只是听说，顺便再自己的电脑上搭建了一个maven环境，但是完全不了解maven这一强大的构建工具，还有ant也是一个构建工具，但ant就没有maven那么的简单方便，其实简单点说maven是一个运用命令行就能完成构建，测试，打包，发布一系列功
[原创]JWFD工作流引擎设计----节点匹配搜索算法(用于初步解决条件异步汇聚问题) 补充 comsci 算法工作 PHP 搜索引擎嵌入式
本文主要介绍在JWFD工作流引擎设计中遇到的一个实际问题的解决方案，请参考我的博文"带条件选择的并行汇聚路由问题"中图例A2描述的情况(http://comsci.iteye.com/blog/339756),我现在把我对图例A2的一个解决方案公布出来，请大家多指点节点匹配搜索算法(用于解决标准对称流程图条件汇聚点运行控制参数的算法) 需要解决的问题：已知分支
Linux中用shell获取昨天、明天或多天前的日期 daizj linux shell 上几年昨天获取上几个月
在Linux中可以通过date命令获取昨天、明天、上个月、下个月、上一年和下一年 # 获取昨天 date -d 'yesterday' # 或 date -d 'last day' # 获取明天 date -d 'tomorrow' # 或 date -d 'next day' # 获取上个月 date -d 'last month' #
我所理解的云计算 dongwei_6688 云计算
在刚开始接触到一个概念时，人们往往都会去探寻这个概念的含义，以达到对其有一个感性的认知，在Wikipedia上关于“云计算”是这么定义的，它说： Cloud computing is a phrase used to describe a variety of computing co
YII CMenu配置 dcj3sjt126com yii
Adding id and class names to CMenu We use the id and htmlOptions to accomplish this. Watch. //in your view $this->widget('zii.widgets.CMenu', array( 'id'=>'myMenu', 'items'=>$this-&g
设计模式之静态代理与动态代理 come_for_dream 设计模式
静态代理与动态代理代理模式是java开发中用到的相对比较多的设计模式，其中的思想就是主业务和相关业务分离。所谓的代理设计就是指由一个代理主题来操作真实主题，真实主题执行具体的业务操作，而代理主题负责其他相关业务的处理。比如我们在进行删除操作的时候需要检验一下用户是否登陆，我们可以删除看成主业务，而把检验用户是否登陆看成其相关业务
【转】理解Javascript 系列 gcc2ge JavaScript
理解Javascript_13_执行模型详解摘要: 在《理解Javascript_12_执行模型浅析》一文中,我们初步的了解了执行上下文与作用域的概念，那么这一篇将深入分析执行上下文的构建过程，了解执行上下文、函数对象、作用域三者之间的关系。函数执行环境简单的代码:当调用say方法时，第一步是创建其执行环境，在创建执行环境的过程中，会按照定义的先后顺序完成一系列操作:1.首先会创建一个
Subsets II hcx2013 set
Given a collection of integers that might contain duplicates, nums, return all possible subsets. Note: Elements in a subset must be in non-descending order. The solution set must not conta
Spring4.1新特性——Spring缓存框架增强 jinnianshilongnian spring4
目录 Spring4.1新特性——综述 Spring4.1新特性——Spring核心部分及其他 Spring4.1新特性——Spring缓存框架增强 Spring4.1新特性——异步调用和事件机制的异常处理 Spring4.1新特性——数据库集成测试脚本初始化 Spring4.1新特性——Spring MVC增强 Spring4.1新特性——页面自动化测试框架Spring MVC T
shell嵌套expect执行命令 liyonghui160com
一直都想把expect的操作写到bash脚本里,这样就不用我再写两个脚本来执行了,搞了一下午终于有点小成就,给大家看看吧. 系统:centos 5.x 1.先安装expect yum -y install expect 2.脚本内容: cat auto_svn.sh #!/bin/bash
Linux实用命令整理 pda158 linux
0. 基本命令　　linux 基本命令整理　　1. 压缩解压　　tar -zcvf a.tar.gz a #把a压缩成a.tar.gz 　　tar -zxvf a.tar.gz #把a.tar.gz解压成a 　　2. vim小结　　2.1 vim替换　　:m,ns/word_1/word_2/gc
独立开发人员通向成功的29个小贴士 shoothao 独立开发
概述：本文收集了关于独立开发人员通向成功需要注意的一些东西,对于具体的每个贴士的注解有兴趣的朋友可以查看下面标注的原文地址。明白你从事独立开发的原因和目的。保持坚持制定计划的好习惯。万事开头难，第一份订单是关键。培养多元化业务技能。提供卓越的服务和品质。谨小慎微。营销是必备技能。学会组织，有条理的工作才是最有效率的。 “独立
JAVA中堆栈和内存分配原理 uule java
1、栈、堆 1.寄存器：最快的存储区, 由编译器根据需求进行分配,我们在程序中无法控制.2. 栈：存放基本类型的变量数据和对象的引用，但对象本身不存放在栈中，而是存放在堆（new 出来的对象）或者常量池中（字符串常量对象存放在常量池中。）3. 堆：存放所有new出来的对象。4. 静态域：存放静态成员（static定义的）5. 常量池：存放字符串常量和基本类型常量（public static f

【论文系列】Long-term Visual Localization using Semantically Segmented Images--语义位置识别/ICRA2018

未经允许，不得转载

读Long-term Visual Localization using Semantically Segmented Images (语义位置识别)

Abstract

Introduction

Problem statement

观测量

地图，如何表示地图

MODELS

PROCESS MODEL

MEASUREMENT MODEL

SIFT map

Semantic map

Algorithm Details

SIFT FILTER

SEMANTIC FILTER

Experiment Evaluation

Setup：

MAP CREATION

GROUND TRUTH

Conclusion

result

disucussion

附录知识点

你可能感兴趣的:(论文系列,SLAM领域,深度学习,闭环检测)