地点识别综述：基于深度学习方法的进展更新
计算机视觉与模式识别
2022-03-02 v3
摘要
自动驾驶车辆（AV）正变得愈发能够在动态且多变条件的复杂环境中导航。使这些智能车辆克服此类条件并提升自主性的关键组成部分在于感知与定位系统的精密化。作为定位系统的一部分，地点识别受益于其他感知任务（如地点分类或目标识别）的近期发展，尤其是随着深度学习（DL）框架的出现。本文综述了地点识别中使用的近期方法，特别是那些基于深度学习的方法。本工作的贡献有二：综述近期用于地点识别的传感器如 3D LiDAR 与 RADAR；并将各类基于 DL 的地点识别工作归类为监督、无监督、半监督、并行与层次化类别。首先，本综述介绍关键地点识别概念以让读者建立语境。随后讨论传感器特性。本综述进而详述各类基于 DL 的工作，并为每种框架提供概要。从本综述中得出的一些经验包括：NetVLAD 对于监督端到端学习的重要性；无监督方法在地点识别中的优势，尤其对于跨域应用；以及近期工作日益倾向于不仅追求更高性能，也追求更高效率。
引用
@article{arxiv.2106.10458,
title = {Place recognition survey: An update on deep learning approaches},
author = {Tiago Barros and Ricardo Pereira and Luís Garrote and Cristiano Premebida and Urbano J. Nunes},
journal= {arXiv preprint arXiv:2106.10458},
year = {2022}
}