面向视觉地点分类的无监督地点发现
计算机视觉与模式识别
2016-12-22 v1
摘要
在本研究中，我们探索了深度卷积神经网络（DCNN）在机器人建图与定位中的视觉地点分类应用。一个悬而未决的问题是如何将机器人的工作空间划分为不同的地点，以最大化潜在 DCNN 分类器的性能（例如准确率、精确率、召回率）。这是一个先有鸡还是先有蛋的问题：如果我们有一个训练良好的 DCNN 分类器，划分机器人的工作空间会相对容易，但训练 DCNN 分类器又需要一组预定义的地点类别。在本研究中，我们解决了这个问题，并提出了几种无监督发现地点类别的策略（“时间线索”、“位置线索”、“时间-外观线索”和“位置-外观线索”）。我们还使用公开的密歇根大学北校区长期（NCLT）数据集评估了所提方法的有效性。
引用
@article{arxiv.1612.06933,
title = {Unsupervised Place Discovery for Visual Place Classification},
author = {Fei Xiaoxiao and Tanaka Kanji and Inamoto Kouya},
journal= {arXiv preprint arXiv:1612.06933},
year = {2016}
}
备注
Technical Report, 5 pages, 4 figures