用于数据与运行时高效的层次化位置识别流水线的局部位置图与注意力局部特征

视觉位置识别（VPR）的大规模应用需要计算高效的方法。此外，基于数据的方法与免训练方法的良好平衡组合可以减少所需的训练数据和工作量，并能降低训练阶段与应用阶段之间分布偏移的影响。本文提出了一种运行时和数据高效的层次化 VPR 流水线，扩展现有方法并提出了新思想。主要有三个贡献：首先，我们提出了局部位置图（LPG），这是一种免训练且运行时高效的方法，用于编码局部图像特征的空间上下文信息。LPG 可以与现有的局部特征检测器和描述符相结合，在我们的实验中，与现有技术相比，显著提高了图像匹配质量。其次，我们提出了 Attentive Local SPED（ATLAS），这是对我们先前的局部特征方法的扩展，加入了一个注意力模块，在保持高数据效率的同时提高了特征质量。在广泛的消融研究中评估了所提修改的影响。第三，我们提出了一种层次化流水线，利用超维计算将相同的局部特征用作整体 HDC 描述符，以进行快速候选选择和候选重排。我们将所有贡献结合在一个运行时和数据高效的 VPR 流水线中，在大量标准位置识别数据集上展现出优于 SOTA 方法 Patch-NetVLAD 的优势，VPR 准确率提高 15%，特征比较速度提升 54 倍，描述符存储占用减少 55 倍，使我们的方法有望应用于不断变化环境中的真实世界高性能大规模 VPR。代码将随本文发表一并公开。