面向基于图像的相机定位的持续学习
计算机视觉与模式识别
2022-04-28 v2
摘要
对于增强现实、自动驾驶和机器人等若干新兴技术，视觉定位是关键组件。利用深度神经网络从输入图像直接回归相机位姿/3D 场景坐标已展现出巨大潜力。然而，此类方法假设平稳的数据分布，且训练时所有场景同时可用。本文中以持续学习设定处理视觉定位问题——即模型以增量方式在场景上训练。我们的结果表明，类似于分类领域，非平稳数据会在深度网络用于视觉定位时引发灾难性遗忘。为解决该问题，提出了一种基于固定缓冲存储并回放图像的强基线。此外，我们提出了一种基于覆盖分数（Buff-CS）的新采样方法，将缓冲过程中已有的采样策略适配于视觉定位问题。结果在两个具有挑战性的数据集——7Scenes、12Scenes，以及通过合并前者场景得到的 19Scenes 上，较标准缓冲方法表现出一致的提升。
引用
@article{arxiv.2108.09112,
title = {Continual Learning for Image-Based Camera Localization},
author = {Shuzhe Wang and Zakaria Laskar and Iaroslav Melekhov and Xiaotian Li and Juho Kannala},
journal= {arXiv preprint arXiv:2108.09112},
year = {2022}
}
备注
ICCV 2021