Slam有哪些地方可以用深度学习做优化？

主要观点总结

本文介绍了深度学习与SLAM（Simultaneous Localization and Mapping）的结合，包括观点一关于深度学习在SLAM中的应用分类、对几何方法的理解及个人看法；观点二在特征点和描述子提取领域的深度学习与传统方法的比较，以及对语义SLAM的看法；观点三关于深度学习与SLAM结合的具体方向，包括语义SLAM、回环检测、点云配准等方面的讨论。

关键观点总结

关键观点1: 深度学习在SLAM中的应用分类及观点一的评价

目前深度学习在SLAM上的应用可分为三类：end2end、利用slam前后端的整体框架用DL替换某一模块、语义SLAM。观点一认为即使使用深度学习做SLAM，几何方法仍是基础，必须掌握。

关键观点2: 观点二对深度学习和传统方法在特征点提取领域的比较及对语义SLAM的看法

观点二认为深度学习的算子在特征点提取上性能不如传统算子，但在特殊场景的特征提取上可媲美SIFT等。同时，看好语义SLAM在自动驾驶和AR领域的应用。

关键观点3: 深度学习与SLAM结合的具体方向及挑战（观点三）

深度学习与SLAM结合的具体方向包括语义SLAM、回环检测、点云配准等。挑战在于模型运算效率、模型与SLAM系统的融合、c++对深度学习模型的支持等。