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)

人工智能直通车系列24【机器学习基础】（机器学习模型评估指标（回归））浪九天人工智能直通车开发语言 python 机器学习深度学习神经网络人工智能
目录机器学习模型评估指标（回归）1.均方误差（MeanSquaredError,MSE）2.均方根误差（RootMeanSquaredError,RMSE）3.平均绝对误差（MeanAbsoluteError,MAE）4.决定系数（CoefficientofDetermination,R2）机器学习模型评估指标（回归）1.均方误差（MeanSquaredError,MSE）详细解释均方误差是回归问
融合网络实训室初步建设方案设想武汉唯众智创网络融合网络实训室融合网络融合网络实验室网络融合实训室网络融合实验室
一、引言在数字化浪潮席卷全球的当下，网络技术已然成为推动社会发展和经济增长的关键力量。从日常的生活购物到企业的运营管理，从便捷的社交沟通到前沿的科研探索，网络技术无处不在，深刻地改变着人们的生活与工作方式。随着5G、物联网、云计算、大数据等新兴技术的迅猛发展，网络技术领域对于专业人才的需求呈现出爆发式增长。据权威机构预测，未来几年，网络技术相关岗位的人才缺口将持续扩大。这些岗位不仅要求从业者具备扎
国央企AI落地：以智能客服系统为突破口的详细实施方案探讨数商云网络 B2B系统数字化电商平台人工智能大数据架构 java 微服务 spring
一、引言随着人工智能（AI）技术的飞速发展和广泛应用，国央企作为国民经济的重要支柱，正积极探索AI技术在企业管理、业务运营等方面的应用。智能客服系统作为AI技术的一个重要应用领域，具有提升服务效率、增强用户体验、降低运营成本等显著优势，成为国央企AI落地的重要突破口。本文将详细探讨国央企如何以智能客服系统为突破口，实施AI技术的落地应用，并结合数商云在智能客服系统领域的实践经验，为国央企提供一套切
rStar论文精读 MoyiTech 推理模型 OpenAI-O1原理
论文简介论文标题：《MutualreasoningmakessmallerLLMsstrongerproblem-solvers》论文地址：https://arxiv.org/abs/2408.06195录用会议：ICLR2025背景与挑战挑战1：在SLM中平衡exploration与exploitation。一些方法有很大的exploitation但限制任务多样性泛化性不好；一些方法有很大的ex
Hive SQL 精进系列：REGEXP_REPLACE 函数的用法进一步有进一步的欢喜 Hive SQL 精进系列 hive sql hadoop
目录一、引言二、REGEXP_REPLACE函数基础2.1基本语法参数详解2.2简单示例三、REGEXP_REPLACE函数的应用场景3.1去除特殊字符3.2统一字符串格式四、REGEXP_REPLACE与REPLACE函数的对比4.1功能差异4.2适用场景五、REGEXP_REPLACE与REGEXP函数的对比5.1功能差异5.2适用场景六、总结一、引言字符串处理是数据处理中的常见需求，Hive
国产芯片替代方案：解析沁恒USB桥接芯片转四串/双串/单串口禾川兴 13242400688 沁恒直替系列单片机嵌入式硬件桥接模式
沁恒国产USB桥接芯片：高兼容性方案加速国产化替代随着USB通信接口在工业控制、消费电子、智能设备等领域的广泛应用，国产芯片厂商沁恒微电子（WCH）推出了一系列高性能USB转串口芯片，以高集成度、低成本、全兼容设计实现对国际品牌芯片的完美替代。本文针对沁恒多款USB桥接芯片与国际主流型号进行对比，展现其技术竞争力与国产化价值。‌一、沁恒USB桥接芯片核心优势‌‌全兼容设计‌硬件引脚定义、封装尺寸、
Hive SQL 精进系列：SUBSTR 函数的多样用法进一步有进一步的欢喜 Hive SQL 精进系列 hive sql hadoop
目录一、引言二、SUBSTR函数基础介绍2.1基本语法2.2参数详解2.3简单示例三、SUBSTR函数常见应用场景3.1提取日期中的年份、月份或日期3.2隐藏部分敏感信息四、SUBSTR函数高级用法4.1结合条件判断动态截取4.2处理复杂字符串模式五、总结一、引言SUBSTR函数是HiveSQL中一个用于字符串截取的重要函数，在处理文本数据时发挥着关键作用。本文将全面且深入地介绍HiveSQL中S
在使用selenium进行爬虫时， add_experimental_optio(),add_argument()的用法数据牧马人 selenium 爬虫测试工具
driver.add_experimental_option('excludeSwitches',['enable-automation'])是在使用SeleniumWebDriver与浏览器交互时设置的一行代码。这行代码用于禁用浏览器中的自动化检测。具体来说，当你在使用SeleniumWebDriver与浏览器交互时，有些浏览器（例如GoogleChrome）可能会检测到自动化行为（例如，通过检
【前端入门】应该了解和知道的几个国内外前端开发资源网站爱上大树的小猪前端
与大家分享一下几个国内外前端开发资源网站国际资源MDNWebDocs(MozillaDeveloperNetwork)用途：MDN是Web技术领域最全面的文档库之一，涵盖了HTML、CSS、JavaScript以及浏览器API等。链接:https://developer.mozilla.orgW3Schools用途：适合初学者学习Web技术，提供从基础到进阶的教程，同时还有在线练习环境。链接:ht
Python（1）Python全方位指南：定义、应用与零基础入门实战一个天蝎座白勺程序猿 Python入门到精通 python 开发语言
背景：为什么Python成为开发者必备技能？‌Python自1991年发布以来，凭借‌“简单高效”‌的设计理念，成为全球增长最快的编程语言。根据TIOBE2023年榜单，Python稳居前三，其核心竞争力包括：‌开发效率高‌：代码量仅为Java的1/5，C++的1/10。‌跨领域通吃‌：从Web开发到AI训练，覆盖90%以上技术场景。‌企业级应用‌：YouTube用Python处理视频推荐，NAS
CSDN社区，到底该不该用DeepSeek AI生成文章？ Small踢倒coffee_氕氘氚 python 经验分享
##引言在当今数字化时代，人工智能（AI）技术正以惊人的速度发展，逐渐渗透到各个行业和领域。作为AI技术的一个重要分支，自然语言处理（NLP）在内容创作、文本生成等方面展现出了巨大的潜力。DeepSeekAI作为一款先进的AI写作工具，能够自动生成高质量的文章，极大地提高了内容创作的效率。然而，随着AI生成内容的普及，CSDN社区中的开发者、技术爱好者和内容创作者们开始思考一个问题：我们到底该不该
AI大模型从入门到精通，2025终极指南！好卷啊，又不能躺平，只能悄悄卷你们了！大模型教程人工智能大模型训练 LLM 知识库大模型大模型入门大模型学习
什么是AI大模型？AI大模型是指使用大规模数据和强大的计算能力训练出来的人工智能模型。这些模型通常具有高度的准确性和泛化能力，可以应用于各种领域，如自然语言处理、图像识别、语音识别等。为什么要学AI大模型？2024人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用，大模型作为其中的重要组成部分，正逐渐成为推动人工智能发展的重要引擎。大模型以其强大的数据处理和模式识别能力，广泛应用于
如何利用 AI 技术快速定位和修复生产环境问题 pytorch人工智能
摘要生产环境的问题往往难以复现，排查成本高，直接影响用户体验。传统的日志分析、异常监控、APM（应用性能监控）等方法已经被广泛使用，但随着AI技术的发展，我们可以进一步自动化问题检测、智能日志分析、异常根因分析，极大提高生产问题的排查效率。本文将探讨如何利用AI技术优化生产环境的排查流程，并提供实际可运行的示例代码，帮助开发者掌握AI赋能下的智能问题诊断方法。引言生产环境的稳定性是衡量一个系统可靠
HarmonyNext实战：基于ArkTS的高性能3D渲染引擎开发 harmonyos-next
HarmonyNext实战：基于ArkTS的高性能3D渲染引擎开发引言3D渲染引擎是现代图形应用的核心，广泛应用于游戏开发、虚拟现实、工业设计等领域。HarmonyNext作为新一代操作系统，提供了强大的图形处理能力，而ArkTS作为其开发语言，能够帮助开发者高效实现高性能的3D渲染引擎。本文将详细讲解如何在HarmonyNext平台上使用ArkTS开发一个3D渲染引擎。我们将从3D渲染的基本原理
HarmonyNext实战：基于ArkTS的分布式任务调度系统开发 harmonyos-next
HarmonyNext实战：基于ArkTS的分布式任务调度系统开发引言在HarmonyNext生态系统中，分布式任务调度是一个核心且复杂的技术领域。随着设备互联的普及，如何在多设备间高效、可靠地分配和执行任务成为开发者面临的重要挑战。本文将深入探讨如何利用ArkTS语言构建一个高性能的分布式任务调度系统，涵盖从架构设计到代码实现的完整过程。分布式任务调度系统概述分布式任务调度系统的核心目标是将任务
HarmonyNext实战：基于ArkTS的高性能区块链应用开发 harmonyos-next
HarmonyNext实战：基于ArkTS的高性能区块链应用开发引言区块链技术以其去中心化、不可篡改和透明性等特点，正在金融、供应链、物联网等领域掀起革命性变革。HarmonyNext作为新一代操作系统，提供了强大的分布式计算和网络通信能力，而ArkTS作为其开发语言，能够帮助开发者高效实现高性能的区块链应用。本文将详细讲解如何在HarmonyNext平台上使用ArkTS开发一个区块链应用。我们将
AI大模型学习路线：从入门到精通的完整指南【2025最新】 AI大模型-大飞人工智能学习大模型 LLM AI 程序员大模型学习
引言近年来，以GPT、BERT、LLaMA等为代表的AI大模型彻底改变了人工智能领域的技术格局。它们不仅在自然语言处理（NLP）任务中表现卓越，还在计算机视觉、多模态交互等领域展现出巨大潜力。本文旨在为开发者、研究者和技术爱好者提供一条清晰的学习路径，帮助读者逐步掌握大模型的核心技术并实现实际应用。一、基础阶段：构建知识体系数学与理论基础线性代数：矩阵运算、特征值与奇异值分解是大模型参数优化的基础
Your Battery Is a Blast! Safeguarding Against Counterfeit Batteries with Authentication 介绍 XLYcmy 论文阅读网络安全课程论文机器学习 CCS 论文阅读课程设计大作业
本文主要围绕论文《YourBatteryIsaBlast!SafeguardingAgainstCounterfeitBatterieswithAuthentication》展开，这篇论文出自2023年丹麦哥本哈根举行的会议CCS’23，会议日期为2023年11月26日至30日。论文共有两个作者，一个是FrancescoMarchiori，来自意大利帕多瓦大学的Padua分校，其电子邮件地址为fr
深度合成算法备案十大雷区拆解 AI产品备案人工智能算法语言模型 ai
最近后台收到了很多小伙伴的私信，基本上都是在问算法备案被打回了；哪部分的材料有什么问题；不清楚驳回原因等等。今天结合大家最关心的问题，为大家详细剖析一下备案过程中常见的十大难题及解决方法。一、备案主体性质界定不明不少企业在备案过程中往往难以明确自身是否属于备案主体范围，尤其是涉及技术提供与应用服务的交叉领域，无法判断自身是否属于“具有舆论属性或者社会动员能力”主体。解决方案：仔细研读相关政策法规，
innovus 命令每日精要 | setAnalysisMode：深度解析与高效配置指南数字后端物理设计知识库 innovus 命令每日精要人工智能后端性能优化
在芯片设计领域，时序分析是确保设计可靠性和性能的关键环节，而Innovus作为业内领先的实现工具，其命令的精准运用直接决定了时序分析的效率与质量。今天，让我们一同深入探究setAnalysisMode这一核心命令，解锁其隐藏的潜力，为芯片设计之旅保驾护航。setAnalysisMode是Innovus工具中用于配置全局时序分析模式的核心命令，其作用涵盖分析类型设置、时钟传播控制、检查方式定义及优化
跨域视线估计的协同对比学习（重点针对局部对比学习解释）阳光明媚大男孩学习人工智能
跨域视线估计的协同对比学习1.问题表述在视线估计领域中，跨域问题是指当训练数据和测试数据来自不同的领域（如不同的个体、光照条件、拍摄设备等）时，模型性能会显著下降。这种性能下降主要是因为不同领域之间的差异导致模型难以泛化。为了解决这一问题，新方法（CrossGazeGeneralization,CGaG）旨在通过特征解耦的方式减少领域差异对视线估计的影响，从而提高模型在跨域情况下的准确性和稳定性。
荣耀CEO赵明内网发布告别文章，正式告别荣耀和职场国货崛起其他智能手机智能硬件
2025年1月17日，荣耀终端有限公司CEO赵明在内部论坛发布长文，正式宣布告别荣耀和职场。这封告别信在荣耀内部引发强烈反响，员工们纷纷留言表达不舍与祝福。赵明在信中回顾了他在荣耀的职业生涯。2015年，他从华为消费者业务CMO调任荣耀总裁，带领荣耀从互联网手机品牌发展成为全球领先的智能终端提供商。在任期间，他主导了荣耀品牌的独立运营，成功打造了荣耀Magic系列、数字系列等多款爆款产品，使荣耀在
从LLM出发：由浅入深探索AI开发的全流程与简单实践（全文3w字）码事漫谈 AI 人工智能
文章目录第一部分：AI开发的背景与历史1.1人工智能的起源与发展1.2神经网络与深度学习的崛起1.3Transformer架构与LLM的兴起1.4当前AI开发的现状与趋势第二部分：AI开发的核心技术2.1机器学习：AI的基础2.1.1机器学习的类型2.1.2机器学习的流程2.2深度学习：机器学习的进阶2.2.1神经网络基础2.2.2深度学习的关键架构2.3Transformer架构：现代LLM的核
P=NP问题太翌修仙笔录 deepseek 超算法认知架构人工智能知识图谱算法重构
P=NP是什么难题P=NP问题是计算机科学和数学领域中一个著名的未解难题，涉及计算复杂性理论的核心内容。以下是对该问题的详细分析：###**1.P与NP的定义**-**P类（PolynomialTime）**：包含所有能在多项式时间内被**确定性图灵机**解决的决策问题。例如，排序、最短路径问题等均属于P类。-**NP类（NondeterministicPolynomialTime）**：包含所有
天吉智芯「星核」智能充气泵 —— 以芯为核，定义车载充气新标杆天吉智芯充气泵打气泵一体机人工智能单片机嵌入式硬件
一、品牌基因：12年车规级芯片的技术沉淀天吉智芯（TJX-CHIP）作为深圳天吉芯技术旗下高端品牌，深耕汽车电子领域12年，累计交付超500万颗车规级MCU芯片。「星核」充气泵是品牌首款终端产品，搭载自主研发的TJX8F003Pro车规级芯片（IATF16949认证），以芯片级定制重构充气泵的智能边界——不止是工具，更是汽车安全生态的智能终端。二、产品定位：全场景胎压管家，重新定义「可靠」目标用户
大话 Python：python 操作 excel 系列 -- pandas 读取、分析、保存 2401_84140734 程序员 python excel pandas
read_excel()直接读取excel文件df=pd.read_excel(‘C:/test.xlsx’)4，读取当前字段计算后生成新字段获取原有字段paymount值paymount=df[‘paymount’]业务计算（金额-10）paymount_new=paymount-10添加新字段paymount_newdf[‘paymount_new’]=paymount_new这个步骤可以加入
Python爬虫实战教程——如何爬取多个国家的实时汇率数据 Python爬虫项目 2025年爬虫实战项目 python 爬虫 chrome 信息可视化
1.引言随着全球经济一体化，跨国交易和投资变得越来越普遍，实时汇率数据成为了金融领域和国际贸易中的关键数据。对于金融分析师、投资者或者是开发者来说，能够实时获取并分析汇率数据是至关重要的。本文将深入探讨如何使用Python爬虫技术抓取多个国家的实时汇率数据。我们将使用最新的技术和工具，介绍如何通过Python编写一个高效、可扩展的汇率数据爬虫。2.为什么需要实时汇率数据？汇率数据被广泛应用于以下几
基于GPT架构的视频生成工具（VideoGPT） deepdata_cn 视频生成音视频视频生成
VideoGPT是基于GPT架构的视频生成工具，支持从文本生成视频。最初，研究人员尝试将自然语言处理中的GPT架构思想引入视频处理领域，开始探索如何利用其强大的语言理解和生成能力来处理视频的时空信息。模型改进与创新：如VideoGPT+模型结合了先进的图像编码器和视频编码器，克服了传统方法在处理视频时的局限，在捕捉丰富空间细节和理解复杂时间动态上展现出卓越性能。iVideoGPT采用新颖的压缩to
Android15音频进阶之qnx定位so调用进程(一百一十一) Android系统攻城狮 Android Audio工程师进阶系列音视频 Android15 QNX 音频调试
简介：CSDN博客专家、《Android系统多媒体进阶实战》一书作者新书发布：《Android系统多媒体进阶实战》优质专栏：Audio工程师进阶系列【原创干货持续更新中……】优质专栏：多媒体系统工程师系列【原创干货持续更新中……】优质视频课程：AAOS车载系统+AOSP14系统攻城狮入门视频实战课
DeepSeek 在代码生成方面的优势解析草莓屁屁我不吃人工智能 ai chatgpt
在AI代码生成领域，DeepSeek通过其DeepSeek-Coder模型展现出强大的能力，与OpenAI的Codex、Meta的CodeLlama、Google的AlphaCode等国际领先模型同台竞争。文章将详细解析DeepSeek在代码生成方面的优势，包括模型架构、数据训练、优化策略、编程语言支持、推理效率等核心技术点。1.DeepSeek-Coder的模型架构优化DeepSeek-Code
[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)