基于深度学习特征描述子的树皮再识别
机器学习
2020-04-02 v2 计算机视觉与模式识别
机器学习
摘要
视觉再识别物体的能力是视觉系统的基本能力。通常,它依赖于基于描述子(如 SIFT 或 SURF)的视觉签名集合。然而,这些传统描述子是为特定表面外观与几何(有限起伏)领域设计的。因此,诸如树皮之类的高纹理表面对它们构成挑战。这进而使得将树木用作可识别路标(机器人学)或沿供应链追踪伐倒木材(物流)更为困难。我们因此提出使用在树皮图像上训练的数据驱动描述子用于树木表面再识别。为此,我们收集了一个包含 2,400 张树皮图像的大型数据集,具有强光照变化,按表面标注且可像素对齐。我们利用该数据集从超过 200 万张 64x64 像素块中采样以训练我们的新型局部描述子 DeepBark 与 SqueezeBark。我们的 DeepBark 方法相对手工描述子 SIFT 和 SURF 显示出明显优势。例如,我们证明当从 7,900 张图像中针对一张树皮查询检索 11 张相关树皮图像(即对应于同一物理表面)时,DeepBark 可达到 87.2% 的 mAP。因此,我们的工作表明在具挑战的光照语境下再识别树木表面是可行的。我们亦公开我们的数据集,可用于基准测试表面再识别技术。
引用
@article{arxiv.1912.03221,
title = {Tree bark re-identification using a deep-learning feature descriptor},
author = {Martin Robert and Patrick Dallaire and Philippe Giguère},
journal= {arXiv preprint arXiv:1912.03221},
year = {2020}
}