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)

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
Google Gemini 大模型技术架构剖析 musicml 人工智能
▼最近直播超级多，预约保你有收获近期直播：《从原理到实践教你做出一个Gemini/ChatGPT》—1—Gemini技术架构剖析Google新的多模态模型家族Gemini，它在文本、图像、音频、视频等方面具有卓越的能力。Gemini系列包括Ultra、Pro和Nano三种尺寸，适用于从复杂的推理任务到设备内存受限的应用场景。GeminiUltra是最强大的模型，可在各种高度复杂的任务（包括推理和多
Claude3.5到底强大在哪？草莓屁屁我不吃人工智能 chatgpt
Claude3.5是Anthropic公司最新推出的Claude3.5Sonnet模型以其卓越的性能和广泛的应用前景，成为了业界关注的焦点。作为Claude3系列中的最新成员，Claude3.5Sonnet不仅在速度、成本、智能表现等多个方面实现了质的飞跃，还在视觉理解、代码生成、复杂指令执行等领域树立了新的行业标准，其技术优势在多个方面表现突出。文章将从技术角度详细分析Claude3.5的核心特
如何保证接口测试的覆盖率？软件测试媛软件测试技术分享自动化测试测试工具
写在前面_一定要先谈下接口在测试领域的地位：在当前企业实际测试技能应用中，功能测试和接口测试应用最广泛。但相比功能测试，接口测试缺口却非常大。且接口测试在测试领域地位非常高，是软件测试工程师初级和中级分界线。所以测试人员只要懂得接口测试，就能找到薪资很不错的工作。所以测试工作者（也就是提问者眼中的QA），一定要尽最大努力去提高自己的接口测试实力。如果想提高接口测试的代码覆盖率。首先要知道代码覆盖率
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
[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)