Delta 描述子：基于变化的地点表征用于鲁棒视觉定位
计算机视觉与模式识别
2020-07-31 v2 信息检索
机器学习
机器人学
摘要
视觉地点识别具有挑战性，因为导致地点外观改变的因素众多，从昼夜循环到季节变化再到大气条件。近年来已开发大量方法应对该挑战，包括深度学习的图像描述子、域翻译与序列滤波，它们均存在通用性与速度敏感性等缺陷。本文提出一种由随时间跟踪任意学习型全局描述子变化得到的新型描述子，称为 Delta 描述子。Delta 描述子通过考虑沿路线观测地点的时序差异，以无监督方式缓解原始描述子匹配空间中的偏移。如同其他方法，Delta 描述子也有缺陷——帧间波动性，可通过将其与序列滤波方法结合克服。利用两个基准数据集，我们首先展示了 Delta 描述子单独使用的高性能，随后展示了其与基于序列的匹配结合时的全新最优性能。我们还给出了该方法在四种不同底层描述子类型上有效的实验结果，以及相较现有技术的另外两项有益特性：其对相机运动变化固有的更强鲁棒性，以及降维应用时性能退化速率的降低。源代码发布于 https://github.com/oravus/DeltaDescriptors。
引用
@article{arxiv.2006.05700,
title = {Delta Descriptors: Change-Based Place Representation for Robust Visual Localization},
author = {Sourav Garg and Ben Harwood and Gaurangi Anand and Michael Milford},
journal= {arXiv preprint arXiv:2006.05700},
year = {2020}
}
备注
8 pages and 7 figures. Published in 2020 IEEE Robotics and Automation Letters (RA-L)