面向长期视觉位置识别的监督微调评估
计算机视觉与模式识别
2022-11-16 v1
摘要
本文针对包含季节与光照变化的挑战性条件下的视觉位置识别任务，对置于卷积层之后并以端到端方式微调的、带有两种最先进池化层的深度卷积神经网络的效用进行了全面研究。我们广泛比较了使用三元组、对比与ArcFace三种不同损失函数学习的深度全局特征在部署时正确匹配率方面的架构参数性能。为验证结果有效性，我们采用了视觉位置识别中两个真实世界数据集，包括室内与室外。我们的研究表明，在给定阈值下，以端到端方式用ArcFace损失微调架构，在室外数据集中比另外两种损失高出约1~4%，在室内数据集中高出约1~2%。
引用
@article{arxiv.2211.07696,
title = {Supervised Fine-tuning Evaluation for Long-term Visual Place Recognition},
author = {Farid Alijani and Esa Rahtu},
journal= {arXiv preprint arXiv:2211.07696},
year = {2022}
}