用于大规模视觉地理定位的五元组损失学习
计算机视觉与模式识别
2020-10-12 v2
摘要
随着人工智能（AI）技术的成熟，大规模视觉地理定位（LSVGL）在城市计算中日益重要，其任务是准确高效地识别给定查询图像的地理位置。由于真实世界场所的外观可能存在多种差异，许多实验面临 LSVGL 的主要挑战。而由于视角任意，训练图像与查询图像之间几乎不可避免地存在透视偏差。为应对这种情况，本文深入分析了最先进 LSVGL 框架中最常用的度量学习损失三元组损失的局限性，并提出一种新的五元组损失（QUITLoss），通过将全部潜在正样本嵌入原始三元组损失中。我们进行了大量实验来验证所提方法的有效性，结果表明我们的新损失能够增强多种 LSVGL 方法。
引用
@article{arxiv.1907.11350,
title = {Learning Quintuplet Loss for Large-scale Visual Geo-Localization},
author = {Qiang Zhai},
journal= {arXiv preprint arXiv:1907.11350},
year = {2020}
}