other than those local features, a

other than those local features, a global image descriptor GIST [18] was also reported to be used in SLAM [25,26,27]. B.Deep Learningbased Approaches Recent advances in deep learning motivate researchers to adopt it in SLAM. Stacked auto-encoder was trained to learn a feature representation and find loops in similarity or difference matrix [20]. A pre-trained CNN model can generate abstract image representation and outperforms stateof-the-art hand-crafted features in illumination variant environment [19]. PCANet [21] is a simple deep learning network and has shown its effect image representation abilities in face recognition, written digits recognition and texture classification. The PCANet consists of three parts: cascaded principal component analysis (PCA), binary hashing, and block-wise histograms. Compared with CNN, PCANet is simpler in network architecture, and requires no expertise of parameter tuning or long-time training. The advantages of PCANet suggest itself to be a very good choice in robotic applications. This motivates us to apply it in loop closure detection. III.OUR APPROACHIn this section, the details of our SLAM system and the proposed loop closure detection algorithm are described. Our SLAM system uses graph optimization method and is made up of three main parts: 1) the frontend, 2) loop closure detection module based on PCANet features, 3) the backend. A detailed SLAM system architecture is shown in Figure 1. AFrontend We employ an RGB-D sensor which provide chromatic and depth information of the scene. The frontend in our SLAM is mainly used to solve the location problem by estimating transformation from the sensor data. Our system first extracts features from two consecutive RGB images and then matches these features for correspondences. We use some basic visual algorithms for detection, extraction and matching of various visual features, e.g., SIFT, SURF and ORB. We use RANSAC [28] algorithm to compute the transformation estimation which includes a rotation matrix and a translation vector. A visual odometry is built from the estimated transformation and the relative position of each two consecutive frames. If the current frame could be matched to the previous frame, a node is then added to the pose graph of the SLAM backend, the estimated transformation is added as an edge connecting the existing nodes.

0/5000

源语言: -

目标语言: -

结果 (简体中文) 1: [复制]

复制成功！

除了那些局部特征以外， 据报道还在SLAM中使用了全局图像描述符GIST [18] [25,26,27]。 B.基于深度学习的方法 深度学习的最新进展促使研究人员 在SLAM中采用它。训练了堆叠式自动编码器以学习 特征表示并找到相似度或 差异矩阵中的循环[20]。预先训练的CNN模型可以 生成抽象的图像表示，并且 在照明变量 环境中的表现优于最先进的手工制作功能[19]。 PCANet [21]是一个简单的深度学习网络，并已 在面部 识别，手写数字识别和纹理显示了其有效的图像表示能力。 分类。PCANet由三部分组成：级联 主成分分析（PCA），二进制哈希和 逐块直方图。与CNN相比，PCANet的 网络体系结构更简单，并且不需要 参数调整或长期培训的专业知识。 PCANet的优点表明，它本身在机器人 应用中是一个很好的选择。这激励我们将其应用于循环闭合 检测。 III。我们的方法 在本节中，将详细介绍我们的SLAM系统和所 提出的闭环检测算法。我们的 SLAM系统使用图形优化方法，它由 三个主要部分组成：1）前端； 2）循环闭合 基于PCANet功能的检测模块，3）后端。 详细的SLAM系统架构如图1所示 。AFrontend 我们使用RGB-D传感器，它提供 场景的色度和深度信息。我们的 SLAM中的前端主要用于通过 估计传感器数据的转换来解决位置问题。我们的系统 首先从两个连续的RGB图像中提取特征， 然后匹配这些特征以进行对应。我们使用 一些基本的视觉算法来检测，提取和 匹配各种视觉特征，例如SIFT，SURF和 ORB。我们使用RANSAC [28]算法来计算 包含旋转矩阵的变换估计 和翻译向量。 根据估计的变换 和每两个连续 帧的相对位置构建视觉里程表。如果当前帧可以与前一 帧匹配，则将一个节点添加到SLAM 后端的姿势图中，将估计的变换添加为 连接现有节点的边。

正在翻译中..

结果 (简体中文) 2:[复制]

复制成功！

除了这些本地功能外，全球图像描述器 GIST [18] 也是 报告用于SLAM [25，26，27]。 B. 深度学习方法 深度学习的最新进展激励着研究人员 采用它在斯拉姆。堆叠自动编码器经过培训学习 功能表示和查找相似性的循环或 差异矩阵 [20] 。预先训练的 CNN 模型可以 生成抽象图像表示并优于状态 照明变体中的最先进的手工制作功能 环境 [19] 。 PCANet [21] 是一个简单的深度学习网络，并且 在脸上显示其效果图像表示能力 识别、书面数字识别和纹理 分类。PCANet 由三个部分组成：级联 主要组件分析（PCA）、二元散列和 块明智的直方图。与CNN相比，PCA网络是 在网络架构中更简单，不需要专业知识 参数调整或长期培训。优势 Pcanet 建议自己是机器人的一个很好的选择 应用。这激励我们将其应用于环形闭合 检测。 三、我们的方法 在本节中，我们的 SLAM 系统和 描述了建议的环闭检测算法。我们 SLAM系统使用图形优化方法，并已制作 由三个主要部分组成：1）前端，2）循环闭合 基于PCANet功能的检测模块，3）后端。 图 1 中显示了详细的 SLAM 系统架构。 前端 我们使用RGB-D传感器，提供色度 和现场的深度信息。我们的前端 SLAM主要用于通过 估计传感器数据的转换。我们的系统 首先从连续两个 RGB 图像中提取功能和 然后匹配这些功能的通信。我们使用 用于检测、提取和 各种视觉功能的匹配，例如，SIFT、SURF 和 球。我们使用 RANSAC [28] 算法来计算 包括旋转矩阵的转换估计 和一个翻译载体。 视觉气味是从估计的跨构建的 形成和每两个连续的相对位置 框架。如果当前帧可以与上一个帧匹配 帧，然后将节点添加到SLAM的姿势图 后端，估计的转换被添加为边缘 连接现有节点。

正在翻译中..

结果 (简体中文) 3:[复制]

复制成功！

除了这些局部特征，还使用了全局图像描述符GIST[18] 据报道是在大满贯中使用的[25,26,27]。 B、基于深度学习的方法 深度学习的最新进展促使研究者 在大满贯中采纳它。堆叠式自动编码器被训练学习 一种特征表示法，用于寻找相似或相似的循环 差分矩阵[20]。预先训练好的CNN模型可以 生成抽象图像表示并优于状态 照明变体中的手工艺术特征 环境[19]。 PCANet[21]是一个简单的深度学习网络，具有 展示了其在人脸图像中的表现能力 识别、手写数字识别和纹理 分类。PCANet由三部分组成：级联 主成分分析（PCA）、二进制哈希和 分块直方图。与CNN相比，PCANet是 网络体系结构更简单，不需要任何 参数整定或长时间训练。优势 PCANet在机器人领域是一个很好的选择 应用。这促使我们在循环闭包中应用它 检测。 三、我们的接近 在本节中，详细介绍了我们的SLAM系统和 描述了所提出的闭环检测算法。我们的 SLAM系统采用图优化方法，并进行了仿真 由三个主要部分组成：1）前端，2）环路闭合 基于PCANet功能的检测模块，3）后端。 详细的SLAM系统架构如图1所示。 阿佛朗德 我们采用RGB-D传感器，提供彩色 以及场景的深度信息。我们公司的前端 SLAM主要用来解决定位问题 从传感器数据估计变换。我们的系统 首先从两幅连续的RGB图像中提取特征，然后 然后匹配这些特征进行通信。我们使用 一些基本的视觉检测、提取和分析算法 各种视觉特征的匹配，如筛选、冲浪和 圆球。我们使用RANSAC[28]算法来计算 包含旋转矩阵的变换估计 和一个平移向量。 视觉里程计是根据估计的交通流量建立的 形成和相对位置的每两个连续 框架。如果当前帧可以与前一帧匹配 帧，然后将一个节点添加到SLAM的姿势图中 后端，估计的转换被添加为边 连接现有节点。

正在翻译中..

其它语言

本翻译工具支持: 世界语, 丹麦语, 乌克兰语, 乌兹别克语, 乌尔都语, 亚美尼亚语, 伊博语, 俄语, 保加利亚语, 信德语, 修纳语, 僧伽罗语, 克林贡语, 克罗地亚语, 冰岛语, 加利西亚语, 加泰罗尼亚语, 匈牙利语, 南非祖鲁语, 南非科萨语, 卡纳达语, 卢旺达语, 卢森堡语, 印地语, 印尼巽他语, 印尼爪哇语, 印尼语, 古吉拉特语, 吉尔吉斯语, 哈萨克语, 土库曼语, 土耳其语, 塔吉克语, 塞尔维亚语, 塞索托语, 夏威夷语, 奥利亚语, 威尔士语, 孟加拉语, 宿务语, 尼泊尔语, 巴斯克语, 布尔语(南非荷兰语), 希伯来语, 希腊语, 库尔德语, 弗里西语, 德语, 意大利语, 意第绪语, 拉丁语, 拉脱维亚语, 挪威语, 捷克语, 斯洛伐克语, 斯洛文尼亚语, 斯瓦希里语, 旁遮普语, 日语, 普什图语, 格鲁吉亚语, 毛利语, 法语, 波兰语, 波斯尼亚语, 波斯语, 泰卢固语, 泰米尔语, 泰语, 海地克里奥尔语, 爱尔兰语, 爱沙尼亚语, 瑞典语, 白俄罗斯语, 科西嘉语, 立陶宛语, 简体中文, 索马里语, 繁体中文, 约鲁巴语, 维吾尔语, 缅甸语, 罗马尼亚语, 老挝语, 自动识别, 芬兰语, 苏格兰盖尔语, 苗语, 英语, 荷兰语, 菲律宾语, 萨摩亚语, 葡萄牙语, 蒙古语, 西班牙语, 豪萨语, 越南语, 阿塞拜疆语, 阿姆哈拉语, 阿尔巴尼亚语, 阿拉伯语, 鞑靼语, 韩语, 马其顿语, 马尔加什语, 马拉地语, 马拉雅拉姆语, 马来语, 马耳他语, 高棉语, 齐切瓦语, 等语言的翻译.