使用生成对抗网络应对具有挑战性的位置识别任务
机器人学
2018-02-28 v2
摘要
位置识别是同步定位与建图(SLAM)的重要组成部分。在剧烈外观变化下,可靠的位置识别是一项困难的感知任务,因为同一地点在早晨、夜间或不同季节的感知差异非常大。本工作将位置识别视为一个域转换任务。使用一对耦合的生成对抗网络(GAN),我们证明了可以在不需要跨域图像间一一对应的情况下,从一个域(如夏季)生成另一个域(如冬季)的外观。通过施加循环一致性约束,可以在不知道实例间对应关系的情况下,从每个域的图像集中学习域之间的映射。在此过程中,为每个域学习到了有意义的特征空间,其中的距离可用于位置识别任务。实验表明,学习到的特征与视觉相似性相对应,并能有效地用于跨季节的位置识别。
引用
@article{arxiv.1709.08810,
title = {Addressing Challenging Place Recognition Tasks using Generative Adversarial Networks},
author = {Yasir Latif and Ravi Garg and Michael Milford and Ian Reid},
journal= {arXiv preprint arXiv:1709.08810},
year = {2018}
}
备注
Accepted for publication in IEEE International Conference on Robotics and Automation (ICRA), 2018