面向视觉地点识别的大规模深度学习特征
计算机视觉与模式识别
2017-01-20 v1 机器人学
摘要
深度学习技术在计算机视觉领域的成功引发了一系列关于其在视觉地点识别中效用的初步研究，这些研究均使用从为其他类型识别任务训练的网络中提取的通用特征。在本文中，我们大规模地训练了两种CNN架构用于特定的地点识别任务，并采用多尺度特征编码方法生成条件和视角不变特征。为了实现这一训练，我们开发了一个庞大的特定地点数据集（SPED），包含数千个不同地点中地点外观变化的数百个示例，与当前可用的语义地点类型数据集形成对比。这一新数据集使我们能够建立一个将地点识别解释为分类问题的训练机制。我们在几个具有挑战性的基准地点识别数据集上全面评估了我们训练的网络，并证明它们比其他地点识别算法和预训练CNN性能平均提高10%。通过分析网络响应及其与预训练网络的差异，我们深入了解了网络在地点识别训练时学到了什么，以及这些结果对该领域未来研究的意义。
引用
@article{arxiv.1701.05105,
title = {Deep Learning Features at Scale for Visual Place Recognition},
author = {Zetao Chen and Adam Jacobson and Niko Sunderhauf and Ben Upcroft and Lingqiao Liu and Chunhua Shen and Ian Reid and Michael Milford},
journal= {arXiv preprint arXiv:1701.05105},
year = {2017}
}
备注
8 pages, 10 figures. Accepted by International Conference on Robotics and Automation (ICRA) 2017. This is the submitted version. The final published version may be slightly different