超越 ANN：利用结构知识实现高效地点识别
计算机视觉与模式识别
2021-10-26 v1 机器人学
摘要
视觉地点识别是指在数据库图像集中识别查询图像的相同地点，尽管可能因一天中的时间、天气或季节导致条件变化。它对 SLAM 中的回环检测以及全局定位的候选选择十分重要。文献中许多方法在查询与所有数据库图像之间进行计算低效的全图比较。目前仍缺乏适用于高效地点识别的方法，能够在性能不损失的前提下，仅对最有希望的图像对进行快速、稀疏的比较。虽然基于 ANN 的方法部分满足了这一点，但它们以精度与额外内存消耗换取速度，且许多方法在数据库存在回环时无法找到任意数量的匹配数据库图像。本文提出一种新颖的、可在线应用的基于序列的高效地点识别快速方法。它利用重定位从序列丢失中恢复，并挖掘通常可用但常被忽略的数据库内相似性，以在数据库存在回环或停顿时为每个查询潜在地检测出所有匹配数据库图像。我们在五个数据集和 21 种序列组合上进行了广泛的实验评估，结果表明我们的方法在许多情况下优于两种最先进的方法甚至全图比较，同时在性能与所评估图像对比例之间提供了良好权衡。本文发表时将提供 Matlab 源代码。
引用
@article{arxiv.2103.08366,
title = {Beyond ANN: Exploiting Structural Knowledge for Efficient Place Recognition},
author = {Stefan Schubert and Peer Neubert and Peter Protzel},
journal= {arXiv preprint arXiv:2103.08366},
year = {2021}
}
备注
Accepted for publication at International Conference on Robotics and Automation (ICRA) 2021. This is the submitted version