面向超大规模数据集的基于块稀疏矩阵压缩的分布式光束法平差
计算机视觉与模式识别
2023-08-15 v2 分布式、并行与集群计算
摘要
我们提出一种用于超大规模数据集的分布式光束法平差（DBA）方法，采用精确的 Levenberg-Marquardt（LM）算法。现有方法大多将全局地图划分为子地图并在子地图中进行光束法平差。为适配并行框架，它们使用近似解而非 LM 算法。然而，这些方法常给出次优结果。与之不同，我们利用精确 LM 算法进行全局光束法平差，其中约简相机系统（RCS）的构建实际被并行化并以分布式方式执行。为存储大型 RCS，我们采用基于块的稀疏矩阵压缩格式（BSMC）对其进行压缩，充分挖掘其块特征。BSMC 格式还支持全局 RCS 的分布式存储与更新。所提方法使用合成与真实数据集进行了广泛评估，并与最先进流水线对比。初步结果表明，相较于基线，所提方法内存使用高效且可扩展性极强。我们首次在分布式计算系统上，对含 118 万张图像的真实数据集和含 1000 万张图像的合成数据集（约为最先进基于 LM 的 BA 的 500 倍）使用 LM 算法进行了并行光束法平差。
引用
@article{arxiv.2307.08383,
title = {Distributed bundle adjustment with block-based sparse matrix compression for super large scale datasets},
author = {Maoteng Zheng and Nengcheng Chen and Junfeng Zhu and Xiaoru Zeng and Huanbin Qiu and Yuyao Jiang and Xingyue Lu and Hao Qu},
journal= {arXiv preprint arXiv:2307.08383},
year = {2023}
}
备注
camera ready version for ICCV2023