Nov, 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

PDF
TL;DR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。
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

  • 基于 ConvNet 特征的场所识别性能研究

    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。

    Jan, 2015

  • 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

  • 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

  • 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

  • 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

  • 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

  • 构建多任务 CNN 进行视角估计

    本文比较了不同的物体类别视点估计方法，并提出一种新的联合训练方法，并强调了分类方法的优越性、深度架构和扩展训练数据的好处，并证明了即使使用 ImageNet 训练数据，合成数据也是有益的。结合所有这些因素，我们在 Pascal3D + 数据集上的结果比先前的最新成果提高了约 5％的 mAVP，特别是在 24 个视点分类任务上，将结果从 31.1％提高到 36.1％的 mAVP。

    Sep, 2016

  • 利用地标分布描述符进行视觉场所识别

    本研究中，我们建立了从地标特征中提取的描述符，该描述符还编码了视图中地标的空间分布，匹配描述符然后强制实施地标在视图之间的相对位置的一致性，这对性能有显着影响。在 10 个图像对数据集上的实验中，每个数据集都由 200 个城市地点组成，观察位置和条件有显着差异，我们记 录了大约 70％ 的平均精度（在 100％ 召回率下），而使用整个图像 CNN 特征获得了 58％，[1] 方法获得了 50％。

    Aug, 2016

  • EigenPlaces: 视觉地点识别中训练鲁棒视角模型

    基于视觉特征的图像识别的主要挑战是从不同视点识别地点，为了克服这个限制，我们提出了一种名为 EigenPlaces 的新方法，通过从不同视角聚类训练数据，将视点的稳健性融入到学习的全局描述符中，实验证明 EigenPlaces 在大多数数据集上表现优于现有方法，并且训练时所需的 GPU 内存减少了 60％，描述符的大小减小了 50％。

    Aug, 2023