## 重点内容
**物体分割**： BlizNet
缺点是不能完美的分割物体，原因是可能物体太小或太远，或只出现了物体的一部分
**Dynamic Object Mask Extension**:
框中的部分是靠物体分割无法解决的部分，这部分会在PCD图上形成鬼影。
对于这部分区城通过分析 深度图像 来修补物体分割MASK的殘缺。
## Interaction Judgement between potential dynamic object and dynamic object
()
1) 检测区域是否相交， 确定候选的相互交互的物体 $\{P(i), O(j)\}$
2）进一步检测他们的深度分布是否有重合部分
## BOUNDING BOX TRACKING：
Blitz-Net 不能有效的检测较小，较远，或只出现物体一部分的目标物体。因此通过综合前后3帧的Bounding box来预测/平滑当前帧的Bounding box。 $K_t$ 是当前帧。
问题：未来的帧还没到，是如何利用的？
后面内容：
- GEOMETRIC SEGMENTATION OF DEPTH IMAGE
- FEATURE POINTS WITH STABLE DEPTH VALUES
去除没有深度的点，去除深度变化较大的点，保留深度值较稳定的点。
**LOCATION OF STATIC MATCHING POINTS**：
利用对极约束去除外点。
## Expereiments
# References
- Xiao, L., Wang, J., Qiu, X., Rong, Z., & Zou, X. (2019). Dynamic-SLAM: Semantic monocular visual localization and mapping based on deep learning in dynamic environment. Robotics and Autonomous Systems, 117(April), 1–16. https://doi.org/10.1016/j.robot.2019.03.012
2020 Semantic SLAM With More Accurate Point Cloud Map in Dynamic Environments [论文阅读]
[toc]
# 2020 Semantic SLAM With More Accurate Point Cloud Map in Dynamic Environments
本文针对视觉SLAM的静态世界假设问题，目标是在Point Clout Map 中尽可能去除动态物体。
本文着眼点不在于提高Tracking的性能，而是建立比较干净的Point Clout Map。
## contributions
1) We extend the mask of the dynamic object to include more information about the object.
2) A bidirectional search strategy is proposed to track the bounding box of the dynamic object.
3) We integrate our approach with ORB-SLAM2 system. Evaluations and method comparisons are per- formed with the TUMRGB-D dataset. Our SLAM system can obtain clean and accurate global point cloud maps in both highly and lowly dynamic environments.
## 重点内容
**物体分割**： BlizNet
缺点是不能完美的分割物体，原因是可能物体太小或太远，或只出现了物体的一部分
**Dynamic Object Mask Extension**:
框中的部分是靠物体分割无法解决的部分，这部分会在PCD图上形成鬼影。
对于这部分区城通过分析 深度图像 来修补物体分割MASK的殘缺。
## Interaction Judgement between potential dynamic object and dynamic object
()
1) 检测区域是否相交， 确定候选的相互交互的物体 $\{P(i), O(j)\}$
2）进一步检测他们的深度分布是否有重合部分
## BOUNDING BOX TRACKING：
Blitz-Net 不能有效的检测较小，较远，或只出现物体一部分的目标物体。因此通过综合前后3帧的Bounding box来预测/平滑当前帧的Bounding box。 $K_t$ 是当前帧。
问题：未来的帧还没到，是如何利用的？
后面内容：
- GEOMETRIC SEGMENTATION OF DEPTH IMAGE
- FEATURE POINTS WITH STABLE DEPTH VALUES
去除没有深度的点，去除深度变化较大的点，保留深度值较稳定的点。
**LOCATION OF STATIC MATCHING POINTS**：
利用对极约束去除外点。
## Expereiments
# References
- Xiao, L., Wang, J., Qiu, X., Rong, Z., & Zou, X. (2019). Dynamic-SLAM: Semantic monocular visual localization and mapping based on deep learning in dynamic environment. Robotics and Autonomous Systems, 117(April), 1–16. https://doi.org/10.1016/j.robot.2019.03.012
## 重点内容
**物体分割**： BlizNet
缺点是不能完美的分割物体，原因是可能物体太小或太远，或只出现了物体的一部分
**Dynamic Object Mask Extension**:
框中的部分是靠物体分割无法解决的部分，这部分会在PCD图上形成鬼影。
对于这部分区城通过分析 深度图像 来修补物体分割MASK的殘缺。
## Interaction Judgement between potential dynamic object and dynamic object
()
1) 检测区域是否相交， 确定候选的相互交互的物体 $\{P(i), O(j)\}$
2）进一步检测他们的深度分布是否有重合部分
## BOUNDING BOX TRACKING：
Blitz-Net 不能有效的检测较小，较远，或只出现物体一部分的目标物体。因此通过综合前后3帧的Bounding box来预测/平滑当前帧的Bounding box。 $K_t$ 是当前帧。
问题：未来的帧还没到，是如何利用的？
后面内容：
- GEOMETRIC SEGMENTATION OF DEPTH IMAGE
- FEATURE POINTS WITH STABLE DEPTH VALUES
去除没有深度的点，去除深度变化较大的点，保留深度值较稳定的点。
**LOCATION OF STATIC MATCHING POINTS**：
利用对极约束去除外点。
## Expereiments
# References
- Xiao, L., Wang, J., Qiu, X., Rong, Z., & Zou, X. (2019). Dynamic-SLAM: Semantic monocular visual localization and mapping based on deep learning in dynamic environment. Robotics and Autonomous Systems, 117(April), 1–16. https://doi.org/10.1016/j.robot.2019.03.012
No comments