RaP-Net：一种用于室内定位鲁棒特征提取的区域级与点级加权网络
计算机视觉与模式识别
2021-08-24 v3 机器人学
摘要
特征提取在视觉定位中起着重要作用。动态物体或重复区域上不可靠的特征会干扰特征匹配，并给室内定位带来巨大挑战。为解决该问题，我们提出一种新颖的网络 RaP-Net，同时预测区域级不变性与点级可靠性，进而综合二者提取特征。我们还引入了一个名为 OpenLORIS-Location 的新数据集来训练所提网络。该数据集包含来自 93 个室内位置的 1553 张图像。同一位置图像间包含多种外观变化，可帮助模型学习典型室内场景中的不变性。实验结果表明，用 OpenLORIS-Location 数据集训练的 RaP-Net 在特征匹配任务中表现优异，并在室内定位中显著优于 SOTA 特征算法。RaP-Net 代码与数据集可在 https://github.com/ivipsourcecode/RaP-Net 获取。
引用
@article{arxiv.2012.00234,
title = {RaP-Net: A Region-wise and Point-wise Weighting Network to Extract Robust Features for Indoor Localization},
author = {Dongjiang Li and Jinyu Miao and Xuesong Shi and Yuxin Tian and Qiwei Long and Tianyu Cai and Ping Guo and Hongfei Yu and Wei Yang and Haosong Yue and Qi Wei and Fei Qiao},
journal= {arXiv preprint arXiv:2012.00234},
year = {2021}
}
备注
IROS 2021