面向恶劣条件的对抗训练：基于外观迁移的鲁棒度量定位
计算机视觉与模式识别
2018-03-12 v1
摘要
我们提出一种在极强外观变化下改进视觉地点识别与度量定位的方法。我们学习一个可逆生成器，能够转换图像的条件，例如从白天到夜晚、从夏季到冬季等。该图像转换滤波器被显式设计用于借助基于 SURF 检测子和稠密描述子图的新损失来辅助特征匹配。训练一个网络，仅给定输入 RGB 图像即输出为特征匹配优化的合成图像，并使用这些生成图像通过传统稀疏匹配方法针对先前构建的地图对机器人进行定位。我们使用牛津 RobotCar 数据集长达一年的多次遍历对结果进行基准测试，以一次遍历作为地图，另一次进行定位。我们表明，该方法在变化与恶劣条件下显著改进了地点识别与定位，同时减少了实现可靠定位所需的建图次数。
引用
@article{arxiv.1803.03341,
title = {Adversarial Training for Adverse Conditions: Robust Metric Localisation using Appearance Transfer},
author = {Horia Porav and Will Maddern and Paul Newman},
journal= {arXiv preprint arXiv:1803.03341},
year = {2018}
}
备注
Accepted at ICRA2018