ループ検出とは何ですか？
検出ループ（ループ閉鎖検出）、ビジュアルSLAMの問題は、多くの場合、前記エラーが故に、そのようなフレーム意志すなわち、ソリューションにより算出された現在のフレームの位置と向きは、ポーズ推定は再帰的プロセスであり、ポーズ渡さ、それは我々が累積誤差を呼んでいます。私たちは、次のフレームの前に再帰を使用する理由は十分に近い二つのフレーム、遠く離れた2から確かに両者を結合の確立が、そのような制約関係を確立することが可能ではないかもしれない、ポーズを。この位置は、過去のフレームを識別するために確立することができる、つまり、ループ検出の制約をもたらします。
検出のループ意義？
バックエンドの視覚オドメトリとシステムのSLAM-最適化されたフロントと、比較的使いやすいだったようです。しかし、それは同じ時間に減少したリアルタイム、一度減少し、精度の精度を向上させる、特に、ローカルマップの最適化プログラムとしてORB-SLAMとして、問題の長い累積誤差に直面するだろう。どのように我々は、この紛争のバランスをとるのですか？類似性がある閾値上を超えて心を持つ人々は、ループを検出するために、前の比較から見たシーンの不完全な印象であってもよく、そしてそれは、SLAM現在のフレームと最後のキーフレームの類似比較のためにも、そのような可能な場合ループを検出することができると考えられます。
1.言葉モデルのバッグ
言葉モデルのバッグは、同じシーンの二つの絵かどうかを判断するために、単語としての単語の2つの画像を比較することにより、一貫性を備えていますすることです。
単語として分類されていますすることができるようにするために、我々は辞書を訓練する必要があります。汎用性を向上させるためには、すべての可能な単語のセットが含まれ、いわゆる辞書は、トレーニングデータの膨大な量を使用する必要があります。
トレーニングの辞書は、実際にはプロセスのクラスタです。すべての画像CCPは10,000,000機能を抽出すると仮定すると、あなたはK-means法を使用することができます10万ワードにそれらを一緒に入れました。必要性は、それに対応する単語を見つけるために、各機能に10万回を比較するために、しかし、あなただけの効率10万個の単語を一致させるためにこれらの単語を使用している場合は、まだ低すぎます。効率を改善するために、辞書は、k番目のブランチのトレーニングプロセスに基づいて構築され、深さdのツリーは、上位層ノードは広い分類を提供し、下位層ノードはリーフノードまで、細かい分類を提供します。このツリーを使用して、時間複雑度はログレベルに低減することができ、大幅に加速一致特徴。
CNNの検出ループに基づいて、2
キーフレームの深さの特徴を検出することができ、それがループか否かの画像奥行き機能の類似性を比較することによって決定することができ、より堅牢ありますが、この技術はまだ畳み込みニューラルネットワークを開発しています。
3.検出ループネットワークコーディングため
まだ模索。。。。