NYU-VPR：考虑视角方向与数据匿名化影响的长期视觉位置识别基准
计算机视觉与模式识别
2022-07-26 v2
摘要
视觉位置识别 (VPR) 不仅对自动驾驶车辆的定位与建图至关重要，对视障人群的辅助导航也十分关键。要在大规模上实现长期 VPR 系统，需要解决若干挑战。首先，不同的应用可能需要不同的图像视角方向，例如自动驾驶汽车需要前视图，而低视力人群需要侧视图。其次，由于行人和车辆身份信息的成像问题，大都市场景中的 VPR 常引发隐私担忧，需要在 VPR 查询和数据库构建之前进行数据匿名化。这两个因素都可能导致目前尚未被充分理解的 VPR 性能变化。为了研究它们的影响，我们提出了 NYU-VPR 数据集，该数据集包含纽约大学校园附近 2km × 2km 区域内超过 200,000 张图像，于 2016 年全年拍摄。我们在几种流行的 VPR 算法上给出了基准测试结果，结果表明侧视图对当前 VPR 方法而言挑战性显著更大，而数据匿名化的影响几乎可以忽略不计，同时提供了我们的假设性解释和深入分析。
引用
@article{arxiv.2110.09004,
title = {NYU-VPR: Long-Term Visual Place Recognition Benchmark with View Direction and Data Anonymization Influences},
author = {Diwei Sheng and Yuxiang Chai and Xinru Li and Chen Feng and Jianzhe Lin and Claudio Silva and John-Ross Rizzo},
journal= {arXiv preprint arXiv:2110.09004},
year = {2022}
}
备注
8 pages, 10 figures, published in 2021 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2021)