细粒度分割网络：用于改进长期视觉定位的自监督分割
计算机视觉与模式识别
2019-08-20 v1
摘要
长期视觉定位是指在外观随时间变化的场景中估计给定查询图像相机位姿的问题。这是实践中一个重要的问题，例如在自动驾驶中会遇到。为了获得对此类变化的鲁棒性，长期定位方法通常使用语义分割作为不变的场景表示，因为每个场景部分的语义含义不应受季节和其他变化的影响。然而，由于可用类别数量有限，这些表示通常区分性不强。在本文中，我们提出了一种新的神经网络——细粒度分割网络（FGSN），可用于提供具有更多标签的图像分割，并且可以以自监督方式进行训练。此外，我们展示了如何训练 FGSN 以在季节变化中输出一致的标签。我们通过大量实验证明，将我们的 FGSN 生成的细粒度分割集成到现有定位算法中可显著提升定位性能。
引用
@article{arxiv.1908.06387,
title = {Fine-Grained Segmentation Networks: Self-Supervised Segmentation for Improved Long-Term Visual Localization},
author = {Måns Larsson and Erik Stenborg and Carl Toft and Lars Hammarstrand and Torsten Sattler and Fredrik Kahl},
journal= {arXiv preprint arXiv:1908.06387},
year = {2019}
}
备注
Accepted to ICCV 2019