用于视觉地点识别与导航的全向卷积神经网络

视觉地点识别具有挑战性，尤其在仅给定少量地点样本时。为缓解该挑战，我们考虑使用全向相机的地点识别方法，并提出一种新颖的全向卷积神经网络（O-CNN）来处理严重的相机位姿变化。给定视觉输入，O-CNN的任务不是检索匹配的地点样本，而是检索最接近的地点样本并估计输入与最接近地点之间的相对距离。凭借估计相对距离的能力，我们提出一种启发式策略来引导机器人导航至检索到的最接近地点。需注意，该网络通过引入环形填充与旋转不变性来利用全向视图的优势。为训练强大的O-CNN，我们构建了一个大规模训练的虚拟世界。我们还提出了一种连续提升结构化特征嵌入损失来高效学习距离概念。最后，我们的实验结果证实，我们的方法在虚拟世界与真实世界数据集上均达到了最先进的精度与速度。