CVPRMar, 2021

Patch-NetVLAD: 局部 - 全局特征的多尺度融合在地点识别中的应用

PDF
TL;DR本文介绍了一种名为 Patch-NetVLAD 的方法，它提供了一种将局部和全局描述符方法的优点相结合的新方法，通过从 NetVLAD 剩余变量中导出局部级别的特征，我们的方法使深度学习的局部特征定义在特征空间网格上，能够聚合和匹配这些特征，并通过积分特征空间进行互补尺度（即块大小）的块特征的多尺度融合，显示出在其状态 - of-the-art 视觉地点识别结果上具有高度不变性，超过了基于全局和局部特征描述符的方法，同时还具有可配置框架中的改进计算效率，适合于增强独立场所识别能力和 SLAM 系统的整体性能。
visual place recognitionpatch-netvladlocal descriptor methodsdeep-learned local featuresmulti-scale fusion
发现论文，激发创造
  • Patch-NetVLAD+: 基于学习的补丁描述符和加权匹配策略的地点识别

    在具有相似场景（如城市或室内场景）的区域中，视觉地点识别（VPR）是一个主要挑战，Patch-NetVLAD + 提出了一种微调策略和三元组损失，使 NetVLAD 适用于提取补丁级别描述符，并为 VPR 中至关重要的 LSR 分配适当的权重

    Feb, 2022

  • MultiRes-NetVLAD: 使用低分辨率图像增强地点识别训练

    本文提出了一种多分辨率特征金字塔编码视觉识别方法，称为 MultiRes-NetVLAD，可以更准确地匹配全球地点描述符，从而使 global descriptor based retrieval 能够达到最先进的召回率水平。

    Feb, 2022

  • PointNetVLAD: 基于深度点云的大规模场所识别检索

    本研究提出了 PointNetVLAD 方法，结合 PointNet 和 NetVLAD 模型，通过端到端的训练和推理从给定的 3D 点云中提取全局描述符，并使用 “lazy triplet and quadruplet” 损失函数来实现更具有判别性和可推广性的全局描述符以解决点云识别的问题，并创建了基准数据集以实现其可行性。

    Apr, 2018

  • LPD-Net：大规模场景识别和环境分析的 3D 点云学习

    本文提出了一种名为 LPD-Net 的深度神经网络，它可以从原始 3D 点云数据中提取判别性和可推广性的全局描述符，用于解决基于点云的识别任务，并与 PointNetVLAD 和基于视觉的解决方案进行了比较。

    Dec, 2018

  • 基于弱监督的 PatchNets：描述和聚合局部图像块进行场景识别

    本文提出了一种基于 PatchNet 模型与 VSAD 特征表达方法的图像场景识别混合表示方案，并在 MIT Indoor67 与 SUN397 两个基准数据集上取得了最新的最优性能结果。

    Sep, 2016

  • 大规模场所识别的高效三维点云特征学习

    本文提出了一种高效的点云学习网络 (EPC-Net) 以形成全局描述符用于视觉地方识别，该网络具有良好的性能并且可以降低计算内存和推理时间，通过在代理点和空间相邻矩阵上进行简化的边缘卷积实现对点云本地几何特征的聚合，然后设计轻量级分组 VLAD 网络 (G-VLAD) 以形成检索的全局描述符。

    Jan, 2021

  • NetVLAD：用于弱监督地点识别的 CNN 架构

    本文提出了一个新的卷积神经网络结构 NetVLAD，通过基于新的弱监督排序损失的训练过程，从 Google 街景中的时间机器下载的图片中，快速和准确地识别所查询照片的位置。同时，该网络结构在两个具有挑战性的地点识别基准测试中优于非学习图像表示和现成卷积神经网络描述符，同时也改善了标准图像检索基准测试上的现有最先进的紧凑图像表示。

    Nov, 2015

  • PlaceFormer：基于多尺度图像块选择和融合的基于 Transformer 的视觉地点识别

    PlaceFormer 是一种基于 Transformer 的视觉地点识别方法，它利用来自 Transformer 的 patch tokens 创建全局图像描述符，并通过几何验证选择与任务相关区域相对应的补丁，生成跨不同补丁尺寸的相似度分数，最终用于重新排列初始检索到的图像。在基准数据集上进行的广泛实验表明，PlaceFormer 在准确性和计算效率方面优于几种最先进的方法，且所需时间和内存较少。

    Jan, 2024

  • 一种数据和运行高效的分层地点识别流程的局部位置图和关注局部特征

    本文提出了一种运行时和数据高效的分层视觉场所识别（VPR）管道，通过结合数据驱动和免训练方法，在降低训练数据和影响训练与应用阶段分布差异方面取得了良好的平衡，该方法在大规模应用中表现出了更好的性能。

    Mar, 2024

  • 跨域视觉地点识别仅需要本地特征吗？

    本文研究使用基于空间验证的重新排序方法尝试解决视觉地方识别中光照和遮挡等困难问题，并给出了新的综合基准和两个具有挑战性的数据集。

    Apr, 2023