第三部分：深度學(xué)習(xí) vs SLAM

?

SLAM 小組討論真是樂趣無窮。在我們進入重要的「深度學(xué)習(xí) vs SLAM」討論之前，我應(yīng)該說明每一位研討會展示者都同意：語義對構(gòu)建更大更好的 SLAM 系統(tǒng)是必需的。關(guān)于未來的方向，這里有很多有趣的小對話。在爭論中，Marc Pollefeys（一位知名的 SfM 和多視角幾何研究者）提醒所有人「機器人是 SLAM 的一個殺手級應(yīng)用」，并建議我們保持對「大獎」的關(guān)注。這令人非常驚訝，因為 SLAM 傳統(tǒng)上是適用于機器人問題的，但過去幾十年機器人并沒有什么成功（谷歌機器人？），導(dǎo)致 SLAM 的關(guān)注重點從機器人轉(zhuǎn)移到了大規(guī)模地圖構(gòu)建（包括谷歌地圖）和增強現(xiàn)實上。研討會上沒人談?wù)撨^機器人。

?

1.將語義信息集成到 SLAM 中

?

人們對將語義整合到今天最出色的 SLAM 系統(tǒng)中有很大興趣。當(dāng)涉及語義時， SLAM 社區(qū)不幸地卡在了視覺詞袋（bags-of-visual-words）的世界里，而在如何將語義信息整合進他們的系統(tǒng)上沒有什么新想法。在語義一端，我們現(xiàn)在已經(jīng)看到 CVPR/ICCV/ECCV 上冒出了很多實時語義分割演示（基于卷積神經(jīng)網(wǎng)絡(luò)）；在我看來，SLAM 需要深度學(xué)習(xí)，而深度學(xué)習(xí)也一樣需要 SLAM。

轉(zhuǎn)載于:https://www.cnblogs.com/zengcv/p/6006064.html

總結(jié)

以上是生活随笔為你收集整理的深度学习 vs SLAM的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。