基于循环卷积神经网络的RGB-D视频对象分割 Object Class Segmentation of RGB-D Video using Recurrent Convolutional Neural Networks

点云实战，动手熟悉SLAM，深入理解原理， 高博系列课程

为了获取更加清晰、更多细节的轮廓特征，充分利用Kinect传感器获取的RGB-D图像信息，将结构化的随机森林作为分类器，提出一种更加精确的轮廓提取器。首先，将RGB-D图像的多种信息利用数学公式表示出来；然后利用BSD500数据集以及NYU深度数据集训练结构化的随机森林算法，核心是将给定节点的结构化标签映射到一组离散标签；最后，利用该随机森林算法对RGB-D图像信息进行分类，得到图像轮廓。针对细节不同的四种场景图像进行对比实验，结果表明，经改进后的算法得到的轮廓效果更加清晰、准确。

matlab的代码在相机上实现单个RGB-D图像的深度深度补全 该存储库包含本文中描述的代码/数据： 张因达（Thinda Zhang），托马斯·冯克豪斯（Thomas Funkhouser） 单个RGB-D图像的深度深度补全计算机视觉和模式识别（CVPR2018） @article{zhang2018deepdepth, title={Deep Depth Completion of a Single RGB-D Image}, author={Zhang, Yinda and Funkhouser, Thomas}, journal={The IEEE Conference on Computer Vision and Pattern Recognition (CVPR)}, year={2018} } 请查看项目网页（），以获取更多详细信息。 如果您有任何疑问，请联系Yinda Zhang（yindaz猜测cs dot princeton dot edu）。 快速测试 在中下载realsense数据，然后将其解压缩。 在中下载bound.t7和normal_sc

这里是第三届SLAM暑期学校的每一章节的课件,配合其视频食用味道更加醇美无比。可以用作配套的讲义。怎么还不够。

开源RGB-D slam 汇总，内含自动驾驶系统学习资料

针对基于卷积神经网络（CNNs）的物体分类问题，文中旨在探索一种最佳的输入组合，使得分类效果达到最佳。本文首先介绍了相关的RGB-D数据集，然后在该数据集中提取部分图片组成训练、验证和测试集。然后对这些选取的图片进行预处理，包括去除RGB-D图片的背景，和补齐深度（D）图片的深度信息。利用深度信息图和转换到不同色彩空间下的图片预先训练多个CNNs。由于每一组彩色图和深度图的内容都是相同的，他们共享相似的特征，这些预先训练的网络可以互相取长补短，本文将这些CNNs的概率向量对应元素相加并再次归一化，用这个概率向量作为最终分类的依据。实验结果表明，在本文的CNNs结构下，RGB信息、D信息、RGB-D信息三者的组合能够达到最高的分类准确率95.0%，比起仅使用其中任何一种高出至少5%。对于其他的色彩空间，预先训练的网络无法收敛，侧面印证了基于图片的深度学习工作大多使用RGB色彩空间的合理性。

针对现有室内环境存在多个平面特征的特点，提出了一种使用平面特征优化相机位姿和建图的实时室内RGB-D 同时定位与地图构建（SLAM）系统。系统在前端采用迭代最近点（ICP）算法和直接法联合估计相机位姿，在后端提取相机关键帧平面特征并建立多种基于平面特征的约束关系，优化相机关键帧的位姿和平面特征参数，同时增量式地构建环境的平面结构模型。在多个公开数据序列上的实验结果表明，在平面信息丰富的环境中，平面特征约束能够减小位姿估计的累积误差，系统能够构建场景平面模型并只消耗少量的存储空间，在真实环境下的实验结果验证了系统在室内增强现实领域具有可行性和应用价值。

点云深度学习经典论文，因为要对这篇论文的代码进行应用，所以翻译了一下，排版是按照原文格式来的，英语一般翻译的不好请见谅。

Dense_RGB-D_SLAM_with_multiple_cameras[1].pdf