AANet：面向分层地点识别的聚合对齐网络与半困难正样本挖掘
计算机视觉与模式识别
2023-10-10 v1
摘要
视觉地点识别（VPR）是机器人领域的研究热点之一，其利用视觉信息对机器人进行定位。近年来，由于精度与效率之间的权衡，分层两阶段VPR方法在该领域变得流行。这些方法在第一阶段使用全局特征检索前k个候选图像，然后在第二阶段通过匹配局部特征对候选者重新排序。然而，它们通常在重排序中需要额外算法（如RANSAC）进行几何一致性验证，这十分耗时。本文提出动态对齐局部特征（DALF）算法，以在空域约束下对齐局部特征。其比需要几何一致性验证的方法显著更高效。我们提出一个统一网络，能够通过聚合模块提取全局特征以检索候选，并通过DALF对齐模块对齐局部特征以重排序。我们称该网络为AANet。同时，许多工作在三元组中使用最简单的正样本进行弱监督训练，限制了网络识别更难正样本对的能力。为解决此问题，我们提出半困难正样本挖掘（ShPSM）策略，以选择适当的困难正图像来训练更鲁棒的VPR网络。在四个基准VPR数据集上的大量实验表明，所提AANet能以更少的耗时优于多种最先进方法。代码发布于 https://github.com/Lu-Feng/AANet。
引用
@article{arxiv.2310.05184,
title = {AANet: Aggregation and Alignment Network with Semi-hard Positive Sample Mining for Hierarchical Place Recognition},
author = {Feng Lu and Lijun Zhang and Shuting Dong and Baifan Chen and Chun Yuan},
journal= {arXiv preprint arXiv:2310.05184},
year = {2023}
}
备注
ICRA2023