基于小重叠图像的自定位
计算机视觉与模式识别
2016-03-04 v1
摘要
随着深度卷积神经网络（DCNN）视觉特征在视觉机器人自定位中的近期成功，处理更一般的自定位场景已变得重要且实用。本文中，我们处理基于小重叠图像的自定位场景。我们显式引入定位难度指数作为查询图像与相关数据库图像之间视角重叠的递减函数，并针对具有挑战性的跨视角自定位任务研究性能与难度的关系。随后我们将自定位重新表述为可扩展的视觉特征包（BoVF）场景检索，并提出一种称为 PCA-NBNN 的高效解决方案，旨在促进部分重叠图像之间快速且具判别性的对应。所提方法采用近期关于使用主成分分析（PCA）的 DCNN 特征判别性保持编码以及使用朴素贝叶斯最近邻距离度量（NBNN）的跨域场景匹配的发现。我们通过实验证明所提 PCA-NBNN 框架频繁取得与先前 DCNN 特征相当的结果，且 BoVF 模型显著更高效。我们进一步处理“基于无重叠图像的自定位”这一重要替代场景并报告结果。
引用
@article{arxiv.1603.00993,
title = {Self-localization from Images with Small Overlap},
author = {Tanaka Kanji},
journal= {arXiv preprint arXiv:1603.00993},
year = {2016}
}
备注
8 pages, 9 figures, Draft of a paper submitted to an International Conference