本文介绍了在视觉SLAM中，通过深度学习进行3D点云语义分割的方法。首先使用超体素预分割，然后转化为图分割问题，采用Mean-shift聚类和法向量聚类结合可靠性平面的策略。文中还提及了2D对象检测和语义分割的相关技术，如R-CNN系列和FCN、U-Net等。在实际应用中，遇到了yolov3与ORB-SLAM协同工作时的报错问题，目前正待解决。
from Deep Learning Based Semantic Labelling of 3D Point Cloud in Visual SLAM
这篇语义地图的特色在于它先用传统方法分割好了之后再把神经网络的label给覆盖上去 不像普通（li &semanticfusion等等）的是先单帧检测，直接附上去标签融合，然后再全局优化（数据关联）和分割．
分割方法：
超体素方法进行预分割，将点云根据相似性变成表层面片（surface patches）降低计算复杂度。
将场景分割问题转换为图分割问题（graph partitioning problem）
- Method 1：Mean-shift聚类算法 计算node之间的距离
- node指的是每个patch，连接node之间的line就是相邻patch的共边；
- 距离可以是欧氏距离，也可以是马氏距离；
- Mean-shift算法可见简单介绍及Python实现或者简单的机器学习算法Mean-shift算法
下面简要介绍一下其算法流程
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
