同日不同景: 用于季节不变性的弱监督特征学习
计算机视觉与模式识别
2020-03-31 v1
摘要
“如同昼夜之别”是一句常用表达，意指两事物完全不同。遗憾的是，对于当前同一场景在不同季节或一天中不同时刻的视觉特征表示而言，往往正是如此。本文旨在提供一种稠密特征表示，可用于定位、稀疏匹配或图像检索，而无论当前的季节或时间外观如何。近来，已有若干深度学习稠密特征表示的方法被提出。这些方法利用图像对之间的真值像素级对应，并关注特征的空间属性。因此，它们未解决时间或季节变化问题。此外，在大多数场景中，获取用于跨季节环境训练的所需像素级对应数据极为复杂。我们提出 Deja-Vu，一种无需像素级真值数据的弱监督季节不变特征学习方法。所提系统仅需粗略标签指明两幅图像是否对应同一位置。根据这些标签，网络被训练为在环境变化下为对应位置生成“相似”的稠密特征图。代码将发布于: https://github.com/jspenmar/DejaVu_Features
引用
@article{arxiv.2003.13431,
title = {Same Features, Different Day: Weakly Supervised Feature Learning for Seasonal Invariance},
author = {Jaime Spencer and Richard Bowden and Simon Hadfield},
journal= {arXiv preprint arXiv:2003.13431},
year = {2020}
}