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)

《python从入门到实践》笔记第3章列表简介镜中人★ python编程从入门到实践 python 前端 javascript
3.1列表是什么列表：由一系列按特定顺序排列的元素组成。创建包含字母表所有字母、数字0-9或所有家庭成员姓名的列表；也可以将任何东西加入列表中，其中的元素之间可以没有任何关系。用方括号（[]）来表示列表，并用逗号分割其中的元素。bicycles.pybicycles=['trek','cannondale','redline','specialized']print(bicycles)3.1.1访
量子计算如何提升机器学习效率：从理论到实践 Echo_Wish 人工智能前沿技术量子计算机器学习人工智能
量子计算如何提升机器学习效率：从理论到实践在人工智能和机器学习的高速发展中，传统计算方法已经逐渐面临性能瓶颈。随着数据量的激增、算法复杂度的提高，传统计算机在处理某些特定任务时的效率显得捉襟见肘。而量子计算，作为一项颠覆性的技术，正逐步展现出在机器学习领域中的巨大潜力。量子计算不仅能够加速特定任务的执行，还能为一些经典算法提供更高效的解决方案。今天，我们将深入探讨量子计算如何提升机器学习效率，解析
2024年云计算的发展趋势如何？网络安全我来了 IT技术云计算
2024年云计算的发展趋势在这个瞬息万变的科技时代，你是否也曾想过，云计算的发展究竟对我们每一个人意味着什么？它不仅是存储和计算能力的提升，更是整个行业的未来构建与转型之道。接下来，我们将一起探索2024年云计算的发展趋势，借此揭示其中的奥秘和前景。云计算的技术进步计算能力的提升在过去的几年里，计算机技术的飞速发展让我们见证了什么叫“飞跃”——特别是在处理器领域。想象一下，你的电脑如同一个超人，拥
取消endnotes参考文献格式域的步骤_从来没有打开过的尾注功能，居然可以实现参考文献的引用... xu kaihe
在写论文的时候，免不了要引用外部文献或者书刊杂志的内容来辅助表达观点。论文中需要在引用了参考文献的地方予以标明，并在论文的参考文献章节对应列出。一般来讲，插入参考文献在word中需要做到：①如何正确生成参考文献格式②如何让参考文献完成自动编号快速获取正确参考文献格式正确的参考文献格式在GB/T7714-2005《文后参考文献著录规则》中详细规定了，我就不一一援引了，这里告诉大家一个快速获得格式文段
从零到精通：小白DeepSeek全栈入门指南好东西不迷路各自资源 AI 前端 html python
第一部分：认知准备（1-3天）1.1基础概念搭建人工智能三要素：数据/算法/算力深度学习与传统机器学习的区别神经网络基本结构（输入层/隐藏层/输出层）常用术语解析：epoch、batch、loss、accuracy1.2环境配置实战Python环境搭建（推荐Anaconda）condacreate-ndeepseekpython=3.8condaactivatedeepseek深度学习框架选择指南
Mac电脑用Latex论文排版3天速成5天实战de笔记荔枝要赚大钱的luu（养成系） macos 笔记论文笔记
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言论文常用1.摘要2.页码3.目录与章节4.单图5.多图6.最基本的三线格7.复杂表格8.数学公式$\[...\]公式块9.伪代码10.无序圆点11.引用12.参考文献13.附录与代码14.分页符15.零碎的细节遇到困难总结前言我后悔了，这五天竞赛搞得我视力都下降了...一个冲动的决定后成为数模竞赛论文写手，3天速成+5天时
通俗易懂的一致性哈希原理 eternity_zzy java java
一致性哈希（Consistenthashing）算法是由MIT的Karger等人与1997年在一篇学术论文（《Consistenthashingandrandomtrees:distributedcachingprotocolsforrelievinghotspotsontheWorldWideWeb》）中提出来的，用于解决分布式缓存数据分布问题。在传统的哈希算法下，每条缓存数据落在那个节点是通过
Python vLLM 实战应用指南 ghostwritten python python 开发语言
文章目录1.vLLM简介2.安装vLLM3.快速开始3.1加载模型并生成文本3.2参数说明4.实战应用场景4.1构建聊天机器人示例对话：4.2文本补全输出示例：4.3自定义模型服务启动服务调用服务5.性能优化5.1GPU加速5.2动态批处理6.总结vLLM是一种高性能的开源深度学习推理引擎，专注于高效的生成式模型推理任务。它通过动态批处理和内存优化技术大幅提高了大模型（如GPT系列）的推理性能，非
量子计算在材料科学中的应用：开辟新技术前沿 Echo_Wish 人工智能前沿技术量子计算
量子计算在材料科学中的应用：开辟新技术前沿近年来，量子计算作为一项革命性的技术，逐渐在多个领域展现出巨大的潜力，尤其是在材料科学中的应用，展现了超越经典计算机的能力。量子计算能够通过量子比特（qubit）同时处理多个状态，在处理复杂计算任务时，速度和效率远超传统计算机。对于材料科学来说，量子计算提供了一种全新的视角，能够在分子和原子层面进行更为精确的模拟，从而加速新材料的发现和优化。作为一名自媒体
从零到一：利用DeepSeek构建高精度图像分类模型实战解析一碗黄焖鸡三碗米饭人工智能前沿与实践分类数据挖掘人工智能
引言：为什么选择DeepSeek进行图像分类？在计算机视觉领域，图像分类作为基础任务，其技术演进经历了从传统特征工程到深度学习的革命性转变。DeepSeek作为国产自研的深度学习框架，凭借其高效计算优化和灵活架构设计，在ImageNet等基准测试中展现出与PyTorch、TensorFlow等主流框架相媲美的性能。本文将手把手带您实现从零搭建工业级图像分类模型的全过程。一、DeepSeek技术架构
深度学习模型可视化：通俗易懂的全面解读 Crazy learner 模型部署深度学习人工智能
目录1.什么是深度学习模型可视化？2.张量（Tensors）：深度学习中的核心数据结构3.常见的节点操作**Gather**操作**Transpose**操作**Pow**操作**Add**操作**Mix**操作4.查看模型详情5.可视化工具总结在深度学习领域，理解模型内部的工作原理对于优化、调试和改进模型至关重要。随着神经网络的复杂性日益增加，开发者和研究人员逐渐意识到，可视化不仅是理解模型的一
查看Python库依赖关系的解决方案爱编程的喵喵 Python基础课程 python 依赖关系
大家好，我是爱编程的喵喵。双985硕士毕业，现担任全栈工程师一职，热衷于将数据思维应用到工作与生活中。从事机器学习以及相关的前后端开发工作。曾在阿里云、科大讯飞、CCF等比赛获得多次Top名次。现为CSDN博客专家、人工智能领域优质创作者。喜欢通过博客创作的方式对所学的知识进行总结与归纳，不仅形成深入且独到的理解，而且能够帮助新手快速入门。本文主要介绍了查看Python库依赖关系的解决方案
焦点小组方法在软件工程中的应用与挑战薄辉焦点小组方法软件工程研究工具优缺点比较用户参与
焦点小组方法在软件工程中的应用与挑战背景简介在软件工程领域，焦点小组方法作为一种研究工具，能够帮助研究者从用户和从业者那里获取宝贵的信息和见解。本文基于J.Kontio等人的研究，探讨了焦点小组方法在不同研究阶段的应用，以及它在传统、计算机辅助和在线环境中的优势与挑战。不同研究阶段焦点小组方法的研究问题示例焦点小组方法可以应用于新产品开发的多个阶段，包括信息阶段、提议阶段、分析阶段和评估阶段。每个
Python编码系列—Python原型模式：深克隆与高效复制的艺术学步_技术 Python编码 python 原型模式开发语言
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
自然语言处理NLP入门 -- 第八节OpenAI GPT 在 NLP 任务中的应用山海青风人工智能 gpt 自然语言处理 python
在前面的学习中，我们已经了解了如何使用一些经典的方法和模型来处理自然语言任务，如文本分类、命名实体识别等。但当我们需要更强的语言生成能力时，往往会求助于更先进的预训练语言模型。OpenAI旗下的GPT系列模型（如GPT-3、GPT-3.5、GPT-4等）在生成文本方面拥有强大的表现。它们不仅能进行语言生成，也可用于诸多NLP任务，包括文本摘要和情感分析。本章将重点介绍：GPT的文本生成原理和应用场
《Python代码实战！基于鸿蒙系统开发智慧农业病虫害AI识别系统》 python
在科技赋能传统产业的大趋势下，智慧农业成为农业领域发展的新方向。病虫害识别是智慧农业的关键环节，借助AI技术实现精准的病虫害类目标签，能有效提升农作物的防护水平，降低损失。本文将详细介绍如何基于HarmonyOSNEXTAPI12及以上版本，使用Python开发用于智慧农业病虫害识别的AI类目标签功能，为开发者提供从理论到实践的全面指导。一、开发背景与技术原理在农业生产中，病虫害种类繁多，准确识别
PCL点云系列之如何使用 Python 从 ROS Bags 中提取和可视化彩色点云数据？自动驾驶汽车如何感知周围环境知识大胖 PCL点云Point Cloud系列教程 python 自动驾驶汽车
介绍您是否曾好奇过自动驾驶汽车如何感知周围环境，或者建筑物的3D模型是如何如此精确地创建的？答案就在于点云的魔力。这些密集的数据点集合通常由LiDAR或深度相机等传感器捕获，构成了机器人、3D建模和自动驾驶汽车等各种应用的支柱。但是，如果您不仅需要捕获几何形状，还需要保留这些点的颜色信息，该怎么办？在本文中，我们将深入研究一个Python脚本，该脚本从ROS（机器人操作系统）包中提取点云数据，同时
宝塔面板申请SSL安全证书一直显示“待域名确认”？如何处理解决？青云网运维宝塔面板教程 WordPress教程
现在越来越多的站点加入到https的大军中来了，主要还是有很多免费的SSL证书可以申请，还有很多平台可以帮助我们一键申请域名证书，比如宝塔面板就支持这样的操作（运维大神可以右上角关闭了，我们小白喜欢用面板），如果还有不了解宝塔面板怎么使用的小伙伴，可以看下我总结的系列教程，保证从新手变老鸟：【宝塔面板精选教程汇总】宝塔面板教程（1）基于云服务器搭建宝塔面板教程最全详解宝塔面板教程（2）宝塔面板添加
模拟器多开窗口单IP与代理IP关系九州ip动态 tcp/ip 网络服务器
模拟器多开窗口同IP背后出现的问题在游戏世界中，模拟器多开窗口是玩家们提升体验的常见做法。通过在同一设备上开启多个模拟器窗口，玩家可以同时运营多个游戏账号，增加游戏的趣味性和效率。一旦检测到一个IP地址下登录了过多的账号，系统很可能会将这些账号视为作弊行为，进而采取封禁等处罚措施。这不仅影响了玩家的游戏体验，更可能导致珍贵账号的丢失。一，为什么要实现单窗口单IP避免多个模拟窗口同IP关联封号实现每
考研导师选择方法 herosunly 考名校研究生经验分享考研选择导师考研导师选择方法
大家好，我是herosunly。985院校硕士毕业，现担任算法研究员一职，热衷于大模型算法的研究与应用。曾担任百度千帆大模型比赛、BPAA算法大赛评委，编写微软OpenAI考试认证指导手册。曾获得阿里云天池比赛第一名，CCF比赛第二名，科大讯飞比赛第三名。授权多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。
模拟器游戏多开为什么需要单窗口单IP xxtzaaa 游戏 tcp/ip 网络协议
模拟器游戏多开时采用单窗口单IP的主要目的是为了规避游戏运营商的反作弊检测机制，降低账号关联风险，并确保多开行为的隐蔽性。以下是具体原因：1.避免账号关联封禁游戏公司通常会通过IP地址、设备指纹（如MAC地址、硬件ID）或行为模式来检测多开行为。如果多个游戏窗口共用同一IP，服务器会判定这些账号来自同一设备或用户，可能触发以下风险：批量封号：同一IP下大量账号同时操作会被视为“工作室行为”或外挂。
跟我一起学Python数据处理（一百零三）之命令行参数解析与云服务应用 lilye66 python linux 开发语言
跟我一起学Python数据处理（一百零三）之命令行参数解析与云服务应用大家好！我写这系列博客的初衷是想和大家一起学习进步。在学习Python数据处理的过程中，我发现其中有很多有趣又实用的知识，所以迫不及待地想和大家分享。接下来，咱们就一起深入学习相关的知识点。一、Python命令行参数解析在Python编程里，有时候我们希望通过命令行给脚本传递额外信息，让脚本根据这些信息执行不同任务。比如有个数据
Python的那些事第三十六篇：基于 Vega 和 Vega-Lite 的数据可视化解决方案，Altair 声明式可视化库暮雨哀尘 Python的那些事信息可视化 python Altair 声明式可视化 Matplotlib
Altair声明式可视化库：基于Vega和Vega-Lite的数据可视化解决方案摘要在数据科学和分析领域，有效的数据可视化是理解数据、发现模式和传达见解的关键。Python作为数据科学的主要编程语言之一，提供了多种数据可视化库。其中，Altair是一个基于Vega和Vega-Lite的声明式可视化库，以其简洁的语法和强大的功能而受到广泛关注。本文将详细介绍Altair的基本概念、特点、安装与配置、
Unity手机游戏开发：从搭建到发布上线全流程实战是Dream呀 Dream好书推荐 Python游戏开发 unity 游戏引擎
前言：技术书籍是学习技术知识的重要资源之一。读技术书可以帮助我们学习新技能和知识，技术书籍提供了可靠的、全面的信息，帮助我们快速学习新技能和知识。同时技术书籍有助于保持你的竞争力，因为它们提供了最新的技术知识和实践。这在当今快速发展的技术领域尤为重要，不断学习新知识和技能才能保持竞争力。总之，读技术书对于学习技术知识、提高职业素养和保持竞争力都非常重要。Dream联合金主爸爸给大家送书啦！本期为大
C语言标准IO是什么？ Oracle_666 linux
C语言标准I/O库提供了一系列函数，用于执行文件输入和输出操作。这些函数遵循ANSIC标准，并在头文件中声明。以下是C语言标准I/O库中一些主要函数的详细解析：1.文件操作函数1.1fopen•功能：用于打开一个文件，并返回一个指向FILE对象的指针。•原型：FILE*fopen(constchar*pathname,constchar*mode);•参数：•pathname：文件路径和名称。•m
DPU：数据中心与计算架构的革新引擎 wljslmz 网络技术 DPU
你好，这里是网络技术联盟站，我是瑞哥。随着计算领域的蓬勃发展，数据处理单元（DPU）正崭露头角，成为重新定义数据中心和计算架构未来的关键元素。在这个数字化潮流中，DPU作为一种全新的数据处理方式，引领着计算技术的进步，为各行各业带来了前所未有的机遇。DPU的出现并非偶然，而是对日益增长的数据处理需求的有力回应。在传统计算架构中，中央处理单元（CPU）和图形处理单元（GPU）扮演着重要的角色，但随着
深度学习-81-大语言模型LLM之基于litellm与langchain与ollama启动的模型交互皮皮冰燃深度学习深度学习语言模型 langchain
文章目录1LiteLLM1.1生成对话补全1.2响应格式(OpenAIFormat)1.3异步调用1.4流式生成对话补全1.5支持的ollama模型2langchain2.1LangChain简介2.2LangChain架构2.3构建简单LLM应用程序(OllamaLLM)2.3.1生成对话补全2.3.2流式生成对话补全2.4聊天模型(ChatOllama)2.4.1Invoke调用2.4.2st
yolo目标检测项目 m0_75047393 YOLO 目标检测人工智能
一、前言（一）、什么是目标检测目标检测是指在图像或视频中准确地识别和定位出现的特定目标物体的任务。目标检测通常包括以下几个步骤：目标分类：确定图像中出现的物体属于哪一类别，例如汽车、行人、狗等。目标定位：确定图像中物体的位置，通常通过绘制边界框或遮罩来标识物体的位置。目标识别：将检测到的目标与预定义的类别进行匹配，以便为目标添加语义标签。多目标检测：在一张图像中检测并识别多个目标，包括重叠目标和不
如何在本地运行大型语言模型（LLM）：深度指南及最佳实践 m0_57781768 语言模型人工智能自然语言处理
如何在本地运行大型语言模型（LLM）：深度指南及最佳实践在当今的人工智能领域，越来越多的开发者希望能够在本地运行大型语言模型（LLM），而不依赖于云端服务。这种趋势的兴起主要源于两个重要的需求：隐私保护和成本控制。通过在本地设备上运行LLM，用户的数据不会被发送到第三方服务器，确保了数据的隐私性。同时，在长时间运行的模拟、文本生成、总结等需要大量计算资源的应用中，本地运行可以显著降低成本。本文将深
GPT-4.5震撼登场，AI世界再掀波澜!(3) 广拓科技人工智能
GPT-4.5震撼登场，AI世界再掀波澜!GPT-4.5震撼登场，AI世界再掀波澜!(2)（一）伦理困境：如何抉择GPT-4.5的强大功能在为我们带来诸多便利的同时，也引发了一系列深刻的伦理问题，这些问题犹如高悬的达摩克利斯之剑，时刻警示着我们在追求技术进步的道路上要保持清醒的头脑和谨慎的态度。虚假信息传播是GPT-4.5面临的一大严峻挑战。由于其强大的语言生成能力，它能够以假乱真地生成各类虚假新
[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)