Dynamic-SLAM: Semantic monocular visual localization and mapping based on deep learning in dynamic environment
漏检补偿算法——提高SSD的召回率
首先基于卷积神经网络，构造一个联合先验知识的SSD目标检测器，在语义层检测新检测线程中的动态目标；然后，针对现有SSD目标检测网络的召回率较低的问题，提出了一种基于相邻帧速度不变性的漏检补偿算法，大大提高了检测的召回率
SSD会输出检测物体的list，那么遍历当前帧中上一帧出现过得物体list，预测这些物体在当前帧的bounding box位置，再遍历当前帧所有的bounding box是否有被预测框包含，如果有则说明在这一帧被检测到了，如果没有表示没有检测到，那么就把这个物体加上
漏检补偿算法的演示图。 红色边框表示的SSD网络检测结果。 可以基于阈值amax（蓝色虚线框）确定错过的检测，然后基于速度不变假设（绿色虚线框）计算补偿结果
选择跟踪算法
少提取有dynamic object 的特征点，减少BA求解的误差。
扩大boundingbox的范围至L，在扩大的范围内计算公式12、13
如果动态特征点和静态特征点之间的相对位移在可接受的范围内，则允许将其用于跟踪，否则将其剔除。 13式是计算静态点的平均位移，12式是计算动态点的位移