论文地址:http://arxiv.org/pdf/1810.00729v2.pdf 代码:https://github.com/puzzlepaint/surfelmeshing 来源:苏黎世联邦理工学院 论文名称:SurfelMeshing: Online Surfel-Based Mesh Reconstruction 原文作者:Thomas Schops
在本文中解决了从实时RGB-D视频中重建网格的问题,假设有一个校准的摄像机和外部提供的姿态(例如由SLAM系统提供)。与目前大多数的方法相比,我们没有将深度测量融合在一个体积中,而是融合在一个密度surfel云中。我们异步地(重新)三角化平滑surfels来重建一个表面网格。这种方法能够在SLAM过程中保持场景的稠密表面表现,能够快速适应闭环。这可以通过变形surfel云和在需要的地方异步地重新映射表面来实现。基于surfer的表示也支持变化范围较大的扫描分辨率。特别地,它根据输入相机的分辨率重建颜色。此外,与许多体积方法相比,由于对象不需要封装体块,本文中的方法可以重建稀疏对象。将本文方法应用到一些实验中,结果表明重建性能表现SOTA,同时本文还讨论了该方法的优势和局限性。
下面是论文具体框架结构以及实验结果:
人工智能,每日面试题:
解决隐马模型中预测问题的算法是?
A.前向算法
B.后向算法
C.Baum-Welch算法
D.维特比算法
每日面试题,答案:
号主答案:D
解析:A、B:前向、后向算法解决的是一个评估问题,即给定一个模型,求某特定观测序列的概率,用于评估该序列最匹配的模型。
C:Baum-Welch算法解决的是一个模型训练问题,即参数估计,是一种无监督的训练方法,主要通过EM迭代实现;
D:维特比算法解决的是给定 一个模型和某个特定的输出序列,求最可能产生这个输出的状态序列。如通过海藻变化(输出序列)来观测天气(状态序列),是预测问题,通信中的解码问题。
声明:文章来自于网络,仅用于学习分享,版权归原作者所有,侵权请联系删除。