Sample4Geo：面向跨视角地理定位的难负样本采样
计算机视觉与模式识别
2023-08-30 v2
摘要
跨视角地理定位仍是一项具有挑战性的任务，其中需要额外的模块、特定的预处理或缩放策略来确定图像的准确位置。由于不同视角具有不同几何结构，极坐标变换等预处理有助于将其融合。然而，这导致图像失真，随后必须被校正。向训练批次中添加难负样本可改善整体性能，但在地理定位中采用默认损失函数难以将其纳入。在本文中，我们提出一种基于带对称 InfoNCE 损失的对比学习的简化而有效的架构，其性能优于当前最先进结果。我们的框架由狭窄的训练流水线组成，消除了使用聚合模块的需要，避免了进一步的预处理步骤，甚至提升了模型对未知区域的泛化能力。我们引入两类难负样本采样策略。第一类显式利用地理邻近位置提供良好起点。第二类利用图像嵌入之间的视觉相似性来挖掘难负样本。我们的工作在 CVUSA、CVACT、University-1652 和 VIGOR 等常用跨视角数据集上展现出优异性能。跨区域与同区域设置的对比证明了我们模型良好的泛化能力。
引用
@article{arxiv.2303.11851,
title = {Sample4Geo: Hard Negative Sampling For Cross-View Geo-Localisation},
author = {Fabian Deuser and Konrad Habel and Norbert Oswald},
journal= {arXiv preprint arXiv:2303.11851},
year = {2023}
}