本文基于深度学习的语义提取技术和视觉SLAM(simultaneous localization and mapping)技术相结合,提出了一种动态SLAM算法。该算法基于三类对象的投票和语义回环,能够有效地降低动态对象对SLAM系统的性能影响,同时提高定位和建图的精度...
详细信息
本文基于深度学习的语义提取技术和视觉SLAM(simultaneous localization and mapping)技术相结合,提出了一种动态SLAM算法。该算法基于三类对象的投票和语义回环,能够有效地降低动态对象对SLAM系统的性能影响,同时提高定位和建图的精度。首先,将语义对象分为静态对象、可能动态对象和一定动态对象三类,并使用基于重投影深度误差投票的方法来识别上述语义对象的运动状态,从而消除运动目标对算法的影响。然后,进一步地使用语义相似回环优化方法,提高了回环检测的鲁棒性。在TUM的RGB-D动态数据集和KITTI数据集上的实验结果表明,本文算法的平均绝对轨迹误差相比ORB-SLAM3算法分别降低了57.13%和23.39%,验证了算法在动态场景下的鲁棒性。
知识库问答(Knowledge Base Question Answering,KBQA)借助知识库中精度高、关联性强的结构化知识,为给定的复杂事实型问句提供准确、简短的答案.语义解析是知识库问答的主流方法之一,该类方法在给定的问句语义表征形式下,将非结构化的...
详细信息
知识库问答(Knowledge Base Question Answering,KBQA)借助知识库中精度高、关联性强的结构化知识,为给定的复杂事实型问句提供准确、简短的答案.语义解析是知识库问答的主流方法之一,该类方法在给定的问句语义表征形式下,将非结构化的问句映射为结构化的语义表征,再将其改写为知识库查询获取答案.目前,面向知识库问答的语义解析方法主要面临三个挑战:首先是如何选择合适的语义表征形式以表达问句的语义,然后是如何解析问句的复杂语义并输出相应的语义表征,最后是如何应对特定领域中数据标注成本高昂、高质量数据匮乏的问题.本文从上述挑战出发,分析了知识库问答中常用的语义表征的特点与不足,然后梳理现有方法并总结分析其如何应对问句的复杂语义,接着介绍了当前方法在标注数据匮乏的低资源场景下的尝试,最后展望并讨论了面向知识库问答的语义解析的未来发展方向.
暂无评论