?holo

holo 發(fā)音

英：[?hɑ?lo?; ?hɑ?l?; ?ho?lo?; ?ho?l?]　　美：[?h?l??]

英：　　美：

holo 中文意思翻譯

holo 詞性/詞形變化，holo變形

名詞復數(shù)形式:holos

holo 短語詞組

1、holo centric adj. ─── 單心的

2、holo- ─── [醫(yī)] 全部, 完全

3、holo-crystalline adj. ─── [巖]全晶質的，全晶的

4、contact holo ─── 聯(lián)系人holo

holo 相似詞語短語

1、bolo ─── n.大刀；vi.未達標；n.(Bolo)人名；(法)博洛

2、Polo ─── n.馬球；水球；n.(Polo)人名；(法、俄、西、意、芬、阿爾巴)波洛

3、halo ─── n.光環(huán)；榮光；vt.使有暈輪；圍以光環(huán)；vi.成暈輪

4、Colo ─── n.(Colo)人名；(意)科洛

5、holon ─── n.子整體；n.(Holon)人名；(法)奧隆

6、hollo ─── n.(Hollo)人名；(法)奧洛；(芬)霍洛

7、cholo ─── n.拉美混血兒（西班牙人與美洲土著的混血后裔）；（尤指城市里的）墨西哥下等人；n.(Cholo)（美、俄）稠洛（人名）

8、Jolo ─── n.霍洛島（屬菲律賓）

9、holo- ─── n.完全；整體；n.(Holo)人名；(塞、貝寧)霍洛

剛開始讀博，方向為基于機器視覺的slam，現(xiàn)在很迷茫不知道正確有效的科研方法是什么？

有自信學msckf 沒自信學okvis，視覺加imu是最容易融合的vslam，或者視覺再融合rgbd 或laser?？傊畣文繘]深度，沒特征也會掛，看你imu能不能用好了。沒事學學so3se3ceres，bundle adjustment，總之水很深。博士一定要挑一個方面深挖千萬別指望什么都有建樹，你要發(fā)iros icra 視覺好的話可以發(fā) cvpr iccv eccv 機器學習好的話nips icml。沒有這些畢業(yè)了也很水。書要看multiple view geometry in computer vison hartley寫的。找大牛就翻會議proceeding然后找到組在看組里面的其他人在看這些人的文章信用次數(shù)等等。世界上也沒幾個牛的組沒幾天你就全找到了。

剛開始讀博，方向為基于機器視覺的slam，現(xiàn)在很迷茫不知道正確有效的科研方法是什么？

一言以蔽之，視覺SLAM技術是一種空間幾何再描述的工程技術。目前來說，受到業(yè)界肯定的比較成熟的開源算法主要是：

1、西班牙Universidad de Zaragoza的ORB_SLAM2：raulmur/ORB_SLAM2

2、港科大的VIO：HKUST-Aerial-Robotics/VINS-Mobile

3、Google的SLAM：googlecartographer/cartographer

一般涉及1特征點跟蹤，2重定位，3局部與全局優(yōu)化，4回環(huán)檢測等四個模塊。其中，特征點跟蹤是幀間圖像特征匹配關系，重定位是幀與關鍵幀的匹配關系，局部與全局優(yōu)化是最優(yōu)估計技術，回環(huán)檢測是重定位與全局優(yōu)化技術的工程應用。這里面容易出成果的就是重定位模塊，其次是跟蹤模塊，都容易與深度學習技術結合提高現(xiàn)有算法精度，功夫在于準和快，這兩者本身屬于對圖像的處理分析技術;其次是相機姿態(tài)的優(yōu)化技術，這種技術屬于更為數(shù)學范疇中的數(shù)值分析部分的優(yōu)化估計策略，對圖優(yōu)化及最優(yōu)估計等數(shù)學理論及應用上需要有突破;回環(huán)檢測本身屬于上述兩者的結合，更多的是一種軟件工程技術。

對比此種工程性比較強的應用研究，最好的學習和研究方法就是測試并研究目前業(yè)界開源算法，并綜合各種優(yōu)缺點的同時，必須結合應用領域進行針對性的優(yōu)化改進。也就是說，先看代碼，問題無法解決時多看論文，再將論文方法編碼為軟件能力進步測試。從實踐中來，到實踐中去。

上述內(nèi)容對于碩士研究生可以作為應用研究方向，但對于博士研究方向顯得單薄了，但基于SLAM點云的場景語義分析才剛剛開始，屬于更接近高層圖像內(nèi)容理解部分，這里面涉及的語義理解內(nèi)容的深度和廣度就非常大！

首先，目前理解的語義的定義先明確下：

1）圖像的標注，即特定目標的識別定位與三維重建，并將定位信息與識別標簽與SLAM的位置信息結合，實現(xiàn)基于SLAM的三維空間的場景物體打標與模型構建，即圖像的內(nèi)容結構化；

2）標注圖像與場景其他物體之間的關系，即所說的場景理解，將整個場景的圖像內(nèi)容以故事描述的方式串聯(lián)起來，構成完成的圖像場景信息，及圖像內(nèi)容的語義化。

第二部分基本屬于純粹的語法語義理解的范疇，脫離圖像信息的研究內(nèi)容，目前工作涉及不多，暫就第一部分及語義理解內(nèi)容涉及的結合點簡單講述下：1）SLAM對應的是3維點云信息；2）圖像語義信息的低層級信息，即為特定對象的目標識別定位；3）特定對象的分割、識別定位信息與3DSLAM點云信息的結合，實現(xiàn)3D模型跟蹤與重建；4）將3D目標對象插入到SLAM得到的空間位置序列中。

這里有一個泡泡機器人中發(fā)布的文章可以參考入門：

泡泡機器人翻譯專欄 單目語義SLAM（上）

泡泡機器人翻譯專欄 單目語義SLAM（下）