Notice bibliographique
Résumé
Place recognition is the online task of detecting revisits to previously seen locations and is a key to many navigational systems. In Simultaneous Localization and Mapping, recovering the relative camera pose between recognized visit and revisit (e.g. using bundle adjustment) allows for global map optimization, improving localization accuracy. Visual SLAM recovers structure to estimate camera movement but it is typically not used for visual place recognition. Limited past work which adapted LiDAR place recognition descriptors to SLAM-recovered physical structure found superior robustness to visual effects vs appearance-based VPR, but overall had poorer recall. It was found that LiDAR descriptors’ whole-scan matching assumes excellent 360 degree pointcloud coverage while cameras have limited FoV. We observe that SLAM-tracked points congregate on objects and distinct elements, resulting in sparsity that impacts whole-scan matching. To us this also suggests use of clustering to extract these aggregate congregations as landmarks whose configuration can be matched. Exploring this approach we found that the landmarks generated still vary in detected position, but a far more significant hurdle is that the same landmarks may not be repeatedly clustered each time a scene is visited. This is due to large-scale clustering still being sensitive to instability in the individual SLAM points. This was improved significantly but not sufficiently through visual semantic labeling of the initial 3D points, helping to provide more stable, guided clustering solutions. Still, single missing or “outlier” landmarks are detrimental to successful association between landmark sets. To address this instability in future work we recommend careful selection of salient points from those collected by SLAM, for those which can be expected to be the most stable and repeatably detected. This is expected to provide more stable landmarks than large-scale clustering of detected points which relies on a center-of-mass approach.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».