语义建图七篇论文的相似点和不同点总结
语义建图方法综述
一:Mesh Based Semantic Modelling for Indoor and Outdoor Scenes【2013-60】
感测器:RGB-D
3D建图:surface mapping
地图表达:triangulated mesh
语义标签:CRF
数据集:indoor—NYU,outdoor—KITTI
CRF函数:unary+pairwise
二:Urban 3D Semantic Modelling Using Stereo Vision【2013-99】
感测器:stereo
3D建图:surface mapping
地图表达:mesh
语义标签:CRF
数据集:KITTI
CRF函数:unary+pairwise+higher-order(超像素)
二元:
三:Incremental dense semantic stereo fusion for large-scale semantic scene reconstruction【2015-77】
感测器:stereo
3D建图:FOVIS VO
地图表达:voxel
语义标签:Random Forest
数据集:KITTI
CRF函数:unary+pairwise
二元:
四:Building 3D semantic maps for mobile robots using RGB-D camera【2016-6】
感测器:RGB-D
3D建图:视觉里程计
地图表达:voxel
语义标签:SVM
数据集:NYU v2
CRF函数:unary+pairwise+higher-order(超像素)
不同之处在于所有的势能计算都分为:object categories and structural classes
二元:
高阶:
五:Semi-Dense 3D Semantic Mapping from Monocular SLAM【2016-8】
感测器:RGB-D
3D建图:LSD-SLAM
地图表达:voxel
语义标签:Deeplab v2
数据集:indoor—NYU v2,outdoor—KITTI
CRF函数:unary+pairwise
二元:
六:SemanticFusion: Dense 3D Semantic Mapping with Convolutional【2016-64】
感测器:RGB-D
3D建图:elasticfusion
地图表达:surfel
语义标签:CNN+CRF
数据集:NYUv2
CRF函数:unary+pairwise
二元:
七:Semantic 3D Occupancy Mapping through Efficient High Order CRFs【2017-3】
感测器:stereo
3D建图:ORB-SLAM
地图表达:grid
语义标签:CNN+CRF
数据集:KITTI
CRF函数:unary+pairwise+higher-order(超像素)
二元:
高阶:
推荐阅读: