AmsterTime:一种面向严重域偏移的视觉地点识别基准数据集
计算机视觉与模式识别
2022-06-28 v2
摘要
我们推出AmsterTime:一个用于存在严重域偏移时基准测试视觉地点识别(VPR)的挑战性数据集。AmsterTime提供了2500张精心筛选的图像,匹配了阿姆斯特丹城市历史档案图像数据中相同场景的街景图像。这些图像对以不同相机、视角和外观捕捉同一地点。与现有基准数据集不同,AmsterTime直接在GIS导航平台(Mapillary)中众包得到。我们评估了多种基线,包括在非学习、监督与自监督方法上、并在不同相关数据集预训练后,用于验证与检索任务。我们的结果显示,在验证与检索任务中,在Landmarks数据集上预训练的ResNet-101模型分别以84%和24%的准确率取得最佳成绩。此外,我们收集了阿姆斯特丹地标子集用于分类任务中的特征评估。分类标签进一步用于通过Grad-CAM提取视觉解释,以检查深度度量学习模型中学习到的相似视觉特征。
引用
@article{arxiv.2203.16291,
title = {AmsterTime: A Visual Place Recognition Benchmark Dataset for Severe Domain Shift},
author = {Burak Yildiz and Seyran Khademi and Ronald Maria Siebes and Jan van Gemert},
journal= {arXiv preprint arXiv:2203.16291},
year = {2022}
}
备注
Accepted to ICPR 2022 (26th International Conference on Pattern Recognition), Dataset and evaluation code: https://github.com/seyrankhademi/AmsterTime