GIDP：面向大规模地点识别的优良初始化学习与描述子后增强诱导
计算机视觉与模式识别
2022-09-26 v1
摘要
大规模地点识别是一项基础且具有挑战性的任务，在自动驾驶与机器人领域发挥着日益重要的作用。现有方法已取得尚可的良好性能，然而多数集中于设计精细的全局描述子学习网络结构，特征泛化与描述子后增强的重要性长期被忽视。本工作中，我们提出一种名为 GIDP 的新方法，用于学习面向大规模地点识别的优良初始化与诱导描述子位姿增强（原文为 Poseenhancing，依上下文实为 Post-enhancing）。具体而言，GIDP 中分别提出了无监督动量对比点云预训练模块与基于重排序的描述子后增强模块。前者旨在训练地点识别模型前为点云编码网络学习优良初始化，后者旨在推理时通过重排序对预测的全局描述子进行后增强。在室内与室外数据集上的大量实验表明，我们的方法使用简单通用的点云编码骨干即可达到 SOTA 性能。
引用
@article{arxiv.2209.11488,
title = {GIDP: Learning a Good Initialization and Inducing Descriptor Post-enhancing for Large-scale Place Recognition},
author = {Zhaoxin Fan and Zhenbo Song and Hongyan Liu and Jun He},
journal= {arXiv preprint arXiv:2209.11488},
year = {2022}
}
备注
7 pages