Jan, 2015

基于 ConvNet 特征的场所识别性能研究

PDF
TL;DR本文綜合評估和比較了三種先進的 ConvNets 在導航機器人的特定挑戰中的實用性，並優化了現有 (局部敏感哈希) 和新的 (語義搜索空間劃分) 優化技術，實現了基於 ConvNets 實時地點識別性能的提升，證實了語義地點分類的網絡也在 (特定) 地點識別方面表現更好。
发现论文，激发创造
  • 基于卷积神经网络的地点识别

    本文介绍了一种基于 CNN 模型的场所识别技术，在空间和时间维度上使用组合得到 CNN 模型的强大特征，并应用于一些基准数据集进行评估，该技术在召回率上取得了 75％的提升和 100％精度，明显优于之前所有的最新技术。在本文中，还对所有 21 个层的特征进行了全面的性能比较，包括基准数据集和一个具有更大视角变化的第二个数据集。

    Nov, 2014

  • 面向视觉地点识别的大规模深度学习特征

    该研究通过训练两个卷积神经网络 (CNN) 架构来实现特定位置识别任务，并采用多尺度特征编码方法生成具备不变性的特征。通过建立具有变化外观的特定场所数据集 (SPED)，该研究综合评估了所训练的网络，并证明相对于其他场所识别算法和预训练的 CNN，其性能平均提升了 10%。

    Jan, 2017

  • 基于 Spatio-Semantic ConvNet 的视觉地点识别

    该研究提出了一种采用卷积神经网络（VGG16）的激活层对地点图像进行编码的视觉地点识别系统。该系统采用了类似于图像检索流程的两阶段方法，并在第二阶段使用 CNN 特征来编码语义和空间信息，其效果在常见基准数据集上明显优于其他方法。

    Sep, 2019

  • 场所识别：视觉角度概述

    该研究论文概述了地点识别领域的文献综述，介绍了传统的图像描述方法以及最近使用卷积神经网络进行视觉地点识别的进展。

    Jun, 2017

  • 视觉地点识别与导航的全向 CNN

    使用全景相机的视觉地点识别方法提出了新的全向卷积神经网络 (O-CNN) 来处理极端相机姿态变化，并通过距离估计提出了启发式策略来为机器人导航，从而实现以最小距离寻找任务。

    Mar, 2018

  • 不回头：强化视角和条件不变地点识别的稳健性分类

    本文提出一种利用深度神经网络的高阶层进行场所识别以及运用描述符归一化方案提高场所识别鲁棒性的方法，并在两个数据集上进行验证，结果显示相比于现有技术具有显著的改进。

    Jan, 2018

  • 一种基于轻量级卷积神经网络的全面视觉地点识别方法，用于有效处理视角和外观变化

    本文提出一种轻量化的视觉地点识别方法，具备低计算成本的高性能，适用于面临视角和外观变化的移动机器人。通过多个基准数据集的结果证实，相对于现有方法，平均准确率提升 13%，平均速度提升 12 倍。

    Nov, 2018

  • 一种用于视觉场所识别的混合紧凑型神经结构

    本文提出了一种将视觉场所识别模型与动力学神经网络相结合的新模型，利用两种分类的神经模型 FlyNet 和 CANN 实现了高性能和紧凑性，相较于 SeqSLAM、Multi-Process Fusion 和 LoST-X 方法，该模型在两个真实世界数据集上表现优异，可以在日夜转换下获得 87％的 AUC 结果，速度分别比较三种算法快 6.5 倍，310 倍和 1.5 倍。

    Oct, 2019

  • PlaceNav: 通过地点识别进行拓扑导航

    通过将拓扑导航分为机器无关和机器特定组件，利用视觉地点识别对子目标选择进行优化，运用贝叶斯滤波提高导航性能，本研究提出了一种新模型，室内导航任务成功率提高了 76%，室外导航任务成功率提高了 23%。

    Sep, 2023

  • 深度领域通用的稳健地点分类

    本文提出了一种基于深度学习、领域泛化的新方法，通过在测试时优化地组合已知领域的不同分类模型来解决机器人视觉中的场所分类问题。

    May, 2018