作者丨Moonkissu@知乎

来源丨https://zhuanlan.zhihu.com/p/64825421

编辑丨3D视觉工坊

之前做的深度学习闭环检测 这方面，最近想了解下语义这方面，于是总结了一些开源的语义SLAM代码共后面研究：

参考：https://github.com/Ewenwan/MVision/blob/master/vSLAM/VS_SLAM/readme.md

1.CNN (PSPNet) + ORB_SLAM2 语义SLAM Real time semantic slam in ROS with a hand held RGB-D camera

源码：https://github.com/Ewenwan/semantic_slam

2.DynaSLAM：

https://github.com/Ewenwan/semantic_slam

3.动态语义SLAM 目标检测+VSLAM+光流/多视角几何动态物体检测+octomap地图+目标数据库

源码：https://github.com/Ewenwan/ORB_SLAM2_SSD_Semantic

【这个很全做得很好】

4.ORB-SLAM-RGBD-with-Octomap

https://github.com/Ewenwan/ORB-SLAM-RGBD-with-Octomap

5.利用光流和语义分割来进行 动态环境建模

https://github.com/Ewenwan/DynSLAM

6.DynaSLAM:基于ORB-SLAM2修改 动态环境建模

dynamic environments for monocular, stereo and RGB-D setups

源码：https://github.com/Ewenwan/DynaSLAM

主要思想

利用 语义分割信息 和 几何信息得到的 动/静分割信息，剔除部分不可靠的 关键点来使得 跟踪 变得更可靠

使用mask-rcnn获取 语义分割信息

使用 运动点 判断准则 获取 动/静 mask

结合 语义mask 和 动/静 mask 生成 需要剔除的 mask

在构造帧 的时候 对 提取的关键点 进行滤波，删除 不可靠的 关键点，使得 跟踪更可靠

思考

1. 是否可以 结合 光流 来生成 动/静 mask ，不过要考虑相机自身的运动引起的光流

2. 如果用于导航，仅仅依靠orb关键点，数量不够，是否可以 添加 边缘 关键点检测算法

7.Co-Fusion CRF图像分割　+ ElasticFusion(RGBD-SLAM)

https://github.com/Ewenwan/co-fusion

8.rgb-slam + 语义分割mask-rcnn

https://github.com/Ewenwan/maskfusion

9.卷积-反卷积语义分割cnn(基于caffe) + ElasticFusion(稠密SLAM) + CRF融合

https://github.com/Ewenwan/semanticfusion

10.ORB SLAM2 + 拓扑地图 路径规划导航

https://github.com/Ewenwan/Active-ORB-SLAM2

11.RNN语义分割+KinectFusion=3 d Semantic Scene

https://github.com/Ewenwan/DA-RNN

12.semanticfusion

https://github.com/zbqlalala/semanticfusion

13.SIVO - Semantically Informed Visual Odometry and Mapping.

Integrated Bayesian semantic segmentation with ORBSLAM_2 to select better features for Visual SLAM.

https://github.com/navganti/SIVO

本文仅做学术分享，如有侵权，请联系删文。