低空城市环境下基于视觉的无人机自定位
计算机视觉与模式识别
2023-08-14 v2 人工智能
摘要
无人机（UAVs）依赖卫星系统实现稳定定位。然而，由于卫星覆盖有限或通信中断，无人机可能丢失基于卫星的定位系统信号。在此情况下，基于视觉的技术可作为替代方案，保障无人机的自定位能力。然而，现有大多数数据集是为无人机所识别物体的地理定位任务而构建，而非无人机的自定位任务。此外，当前无人机数据集在合成数据（如Google Maps）上采用离散采样，从而忽略了真实场景中常见的密集采样与不确定性等关键环节。为解决这些问题，本文提出一个新数据集DenseUAV，其为首个公开可用的面向无人机自定位任务的数据集。DenseUAV在低空城市环境中获取的无人机图像上采用密集采样。总计收集并标注了14个大学校园的逾27K张无人机视角与卫星视角图像，建立了新基准。在模型开发方面，我们首先验证了Transformers相较CNNs在该任务中的优越性。随后，我们将度量学习融入表征学习，以增强模型的判别能力并减小模态差异。此外，为促进双视角的联合学习，我们提出一种相互监督学习方法。最后，我们改进Recall@K指标并引入新度量SDM@K，从检索与定位双视角同时评估训练模型性能。结果表明，所提基线方法在DenseUAV上取得83.05%的Recall@1分数与86.24%的SDM@1分数。数据集与代码将公开于https://github.com/Dmmm1997/DenseUAV。
引用
@article{arxiv.2201.09201,
title = {Vision-Based UAV Self-Positioning in Low-Altitude Urban Environments},
author = {Ming Dai and Enhui Zheng and Zhenhua Feng and Jiedong Zhuang and Wankou Yang},
journal= {arXiv preprint arXiv:2201.09201},
year = {2023}
}
备注
13 pages,8 figures