是否有人尝试开发使用深度学习功能而不是经典$stmt = $pdo->prepare('DELETE c,p FROM stores c
LEFT JOIN products p ON c.store_id = p.storeid
WHERE store_id = :store_id
');
功能的SLAM系统？
扫描最近的计算机视觉会议，似乎有很多关于成功使用神经网络提取特征和描述符的报道，基准表明它们可能比传统的计算机视觉更健壮。我怀疑提取速度是一个问题，但是假设一个人拥有不错的GPU（例如NVidia 1050），甚至可以在具有深度学习功能的640x480灰度图像上构建一个以30FPS运行的实时SLAM系统吗？ >
答案 0 :(得分：1)
对于评论来说，这太长了，所以这就是为什么我将其发布为答案。
我认为这是可行的，但我看不出这将如何有用。这就是原因（如果我错了，请纠正我）：
在大多数SLAM管道中，精度比长期稳健性更为重要。您显然需要精确的特征检测/匹配，才能获得可靠的三角剖分/捆绑（或任何等效方案）您可以使用）。但是，只有在长时间间隔内执行重新定位/闭环的系统才需要神经网络提供的高度鲁棒性（例如需要在不同季节进行重新定位等）。即使在这种情况下，由于您已经拥有GPU，所以我认为最好使用场景的光度（甚至只是几何）模型进行定位。
对于神经网络检测到的特征，我们没有任何可靠的噪声模型。我知道有一些有趣的著作（Gal，Kendall等）。 。）用于传播深度网络中的不确定性，但是这些方法对于在SLAM系统中进行部署似乎还不成熟。
深度学习方法通常对于初始化系统非常有用，并且它们需要提供的解决方案也需要完善。其结果在很大程度上取决于训练数据集，并且往往会受到“打击”。和错过”。因此，我认为您可以信任它们来获得初始猜测或某些约束（如姿势估计的情况下的 eg ：如果您的几何算法会随时间推移而漂移，则可以使用神经网络约束它们的结果。但是我认为，如前所述，如果没有噪声模型，将使融合变得有点困难...）。
是的，我认为这是可行的，并且经过精心的工程设计和调试，您可能可以制作一些有趣的演示，但我不相信它在现实生活中。