Ghost-dil-NetVLAD：一种用于视觉位置识别的轻量级神经网络
计算机视觉与模式识别
2024-04-17 v2
摘要
视觉位置识别（VPR）是一项极具挑战性的任务，面临巨大计算开销与高识别性能之间的不平衡。得益于轻量级卷积神经网络（CNNs）的实用特征提取能力以及局部聚合描述子向量（VLAD）层的可训练性，我们提出了一种轻量级弱监督端到端神经网络，其由称为GhostCNN的前端感知模型与作为后端的、可学习的VLAD层构成。GhostCNN基于Ghost模块，即轻量级基于CNN的架构。它们可利用线性运算而非传统卷积过程生成冗余特征图，在计算资源与识别精度间取得良好折中。为进一步增强我们所提轻量级模型，我们在Ghost模块中加入空洞卷积以获取包含更多空间语义信息的特征，从而提高精度。最后，在常用公开基准与我们私有数据集上开展的丰富实验验证，所提神经网络将VGG16-NetVLAD的FLOPs与参数量分别降低了99.04%与80.16%。此外，两者精度相近。
引用
@article{arxiv.2112.11679,
title = {Ghost-dil-NetVLAD: A Lightweight Neural Network for Visual Place Recognition},
author = {Qingyuan Gong and Yu Liu and Liqiang Zhang and Renhe Liu},
journal= {arXiv preprint arXiv:2112.11679},
year = {2024}
}