面向弱监督分层地点识别的紧耦合学习策略
计算机视觉与模式识别
2022-02-15 v1
摘要
视觉地点识别（VPR）是机器人与自主系统的关键问题。为权衡时间与性能，多数方法采用由粗到细的分层架构，即先用全局特征检索前N个候选，再用局部特征对前N个重排序。然而，由于两类特征通常独立处理，重排序可能损害全局检索，称为重排序混淆。此外，重排序受限于全局检索。本文提出一种紧耦合学习（TCL）策略来训练三元组模型。不同于原始三元组学习（OTL）策略，它结合全局与局部描述子进行联合优化。另外，还提出一种双向搜索动态时间规整（BS-DTW）算法，用于在重排序中挖掘面向VPR的局部空间信息。公开基准上的实验结果表明，使用TCL的模型优于使用OTL的模型，且TCL可作为提升弱监督排序任务性能的通用策略。进一步，我们的轻量统一模型优于若干最先进方法，且计算效率高出至少一个数量级，以满足机器人实时需求。
引用
@article{arxiv.2202.06470,
title = {Tightly Coupled Learning Strategy for Weakly Supervised Hierarchical Place Recognition},
author = {Y. Shen and R. Wang and W. Zuo and N. Zheng},
journal= {arXiv preprint arXiv:2202.06470},
year = {2022}
}
备注
8 pages, 9 figures