面向地点识别的难正样本对抗式学习
计算机视觉与模式识别
2022-05-10 v1
摘要
用于地点识别的图像检索方法学习全局图像描述子，以便在推理时检索带地理标签的图像。近期工作建议采用弱监督与自监督来挖掘难正样本与难负样本，以提高定位精度及对可见性变化（如光照或视角变化）的鲁棒性。然而，对获取鲁棒性至关重要的难正样本生成，仍局限于硬编码或全局增强。本文中，我们提出一种对抗式方法以引导难正样本的生成，用于训练图像检索网络。我们的方法学习局部与全局增强策略以提高训练损失，同时迫使图像检索网络学习更强大的特征以区分日益困难的样本。该方法使图像检索网络能泛化到数据中所呈现难样本之外，并学习对大范围变化鲁棒的特征。我们的方法在 Pitts250 与 Tokyo 24/7 基准上取得了最先进的召回率，并以明显优势在 rOxford 与 rParis 数据集上超越近期图像检索方法。
引用
@article{arxiv.2205.03871,
title = {Adversarial Learning of Hard Positives for Place Recognition},
author = {Wenxuan Fang and Kai Zhang and Yoli Shavit and Wensen Feng},
journal= {arXiv preprint arXiv:2205.03871},
year = {2022}
}