敷衍的

基于语义边缘描述的跨越季节的乡村环境图像位置识别 摘要 基于图像的位置识别的大部分研究工作都是针对城市环境而设计的。 在田园环境中，例如质地低，语义含量低的自然场景，主要挑战是应对视觉外观随时间的变化，例如光照，天气，植被状态或视点。 变化的性质是不同的，这导致了描述田园风光的不同方法。 我们介绍根据其语义和拓扑信息计算的全局图像描述。 它是基于图像语义边缘的小波变换构建的。 然后，匹配两个图像等效于匹配它们的语义边缘变换。 该方法在两个多季节环境监视数据集：CMU季节和Symphony Lake数据集上达

Dynamic-SLAM: Semantic monocular visual localization and mapping based on deep learning in dynamic environment 漏检补偿算法——提高SSD的召回率 首先基于卷积神经网络，构造一个联合先验知识的SSD目标检测器，在语义层检测新检测线程中的动态目标；然后，针对现有SSD目标检测网络的召回率较低的问题，提出了一种基于相邻帧速度不变性的漏检补偿算法，大大提高了检测的召回率 SSD会输出检测物体的lis

MID-Fusion: Octree-based Object-Level Multi-Instance Dynamic SLAM Improving Visual Localization Accuracy in Dynamic Environments Based on Dynamic Region Removal 使用神经网络获得先验边界框，人为确定动态权重，权重低于0.5为静态区域。在静态...