bag of binary words文章笔记

实验方法

Groundtruth

手工创造一个含有实际loopclosure的list，由时间间隔（time interval）组成，这个list 的里的每一个条目，是将query interval和 matching interval联合起来的

正确率

准确率=正确的检测所有检测到的闭环 $$准确率=/frac{正确的检测}{所有检测到的闭环}$$ 召回率=正确的检测groundtruh里的所有闭环 $$召回率=/frac{正确的检测}{groundtruh里的所有闭环}$$ match是一对query和matching时间戳，判断这一对匹配是否正确，在groundtruth中找包含这两个时间戳的时间间隔timeinterval groundtruth中Loopevents的数目=query时间间隔∗帧率frequency$groundtruth中Loop events的数目=query时间间隔*帧率frequency$

系统参数

三个各种各样的数据集用来做训练 两个用来做检测

设置

词汇树kw$k_w$=10 branches, Lw$L_w$=6 depth得到100万词汇，10000张图片中的9百万个feature中获取的，来自一个独立的数据集（Bovisa 2008-09-01）

描述子性能

将BBRIEF USURF128和SURF64进行比较 Newcollege 室外 Bicocca25b 室内 BRIEF在室内的性能有大幅提升

在大多数的情况下BRIEF和SURF能获得同样多的词汇正确匹配 BRIEF找出的匹配是距离较远的物体，因为距离较远的物体一般都有尺度不变性，scale invariant 在距离相机较近的物体中，SURF更适合，因为它的尺度不变性质 相机倾斜后，SURF有明显更好的匹配（scale invariant）

Temporal Consistency

similarity threshold α, number of temporally consistent matches k PRocessing frequency f.

Geometrical Consistency