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：
