CLOVER：面向对象长期视角和环境不变的Context-aware表示学习
计算机视觉与模式识别
2025-10-20 v3 机器人学
摘要
移动服务机器人可以从对象级别理解其环境中，包括区分对象实例并重新识别以前看到的实例的能力。对象重新识别面临来自不同视角以及由天气或照明变化引起的显著外观变化的挑战。现有工作要么专注于特定类别，要么需要前景分割。此外，这些方法以及对象重新识别数据集，对挑战因素（如户外场景和照明变化）的考虑有限。为此，我们引入了CODa Re-ID：一个包含557个对象、8个类别、1,037,814个观察的野外对象重新识别数据集，覆盖多样化的照明条件和视角。进一步，我们提出了CLOVER，用于对象观察的表示学习方法，可在无需前景分割的情况下区分静态对象实例。我们还引入了MapCLOVER，用于可扩展地总结CLOVER描述符以用于对象地图和匹配新观察。我们的结果表明，CLOVER在不同照明条件和视角变化下的静态对象重新识别方面取得优异性能，并且可以泛化到未见的对象实例和类别。
引用
@article{arxiv.2407.09718,
title = {CLOVER: Context-aware Long-term Object Viewpoint- and Environment- Invariant Representation Learning},
author = {Dongmyeong Lee and Amanda Adkins and Joydeep Biswas},
journal= {arXiv preprint arXiv:2407.09718},
year = {2025}
}
备注
8 pages, 3 figures, 8 tables