Dec, 2023

可视化位置识别的低比特量化神经网络的设计空间探索

PDF
TL;DR通过研究紧凑卷积网络架构和后训练量化对视觉地点识别（VPR）性能的影响，我们不仅通过 recall@1 分数测量性能，还测量内存消耗和延迟，为受资源限制的 VPR 系统提供了设计建议。
visual place recognitionre-localizationvpr methodsmemory consumptionlatency
发现论文，激发创造
  • 低分辨率图像的视觉地点识别

    本研究分析了图像分辨率对基于手工制作的 Visual Place Recognition (VPR) 管道的精度和鲁棒性的影响，并旨在帮助学术研究人员和公司在硬件和软件行业共同设计 VPR 解决方案以及扩展 VPR 算法在商业产品中的应用。

    May, 2023

  • 视觉地点识别，你的位置在哪里？

    本文通过调查与研究 Visual Place Recognition（VPR）的关键要素，提出一种基于视觉重叠的新的 VPR 定义，并指出未来需要深入关注的挑战和领域。

    Mar, 2021

  • 基于注册辅助的视觉地点识别聚合

    使用新的特征聚合方法，通过注册器辅助模型训练，以获取具有辨别性地点信息的全局和局部特征，并通过重新分配注意力权重将这些注册器舍弃，从而实现对原始图像表示中不稳定特征的有效分离，其表现超过了现有方法

    May, 2024

  • 脉冲神经网络在视觉地点识别中的应用

    在机器人领域，脉冲神经网络（SNNs）在神经元形态硬件上的实现为其高效能源、低延迟带来了巨大的潜力。我们的论文着重介绍了 SNN 在视觉场所识别（VPR）中的三个创新。首先，我们提出模块化 SNN，每个 SNN 代表一组非重叠的地理位置，为大型环境提供可扩展的网络。其次，我们提出模块化 SNN 集合，多个网络代表同一地点，与单一网络模型相比显著提高了准确性。我们的 SNN 非常紧凑且小巧，仅含有 1500 个神经元和 474k 个突触，因此非常适合进行集合操作。最后，我们研究了序列匹配在基于 SNN 的 VPR 中的作用，这是一种使用连续图像进行场所识别的技术。我们分析了 SNN 对集合操作和序列匹配的响应性，并与其他 VPR 技术进行了比较。我们的贡献突出了 SNN 在 VPR 中的可行性，提供了可扩展和稳健的解决方案，为其在各种对能源敏感的机器人任务中的应用铺平了道路。

    Nov, 2023

  • VPR-Bench: 一个开源的视觉场所识别评估框架，可量化视点和外观变化

    本研究提出了一个名为 “VPR-Bench” 的综合性开源框架，以帮助评估不同的视觉地点识别技术，该框架包含 12 个完全集成的数据集和 10 种 VPR 技术。通过应用和分析计算机视觉和机器人学界的流行评估指标，本文讨论了这些不同指标如何在不同应用和系统需求下相互补充和替代。

    May, 2020

  • 多尺度注意力学习视觉地点识别语义

    本研究旨在通过多尺度注意力模块，实现从视觉和语义内容中学习鲁棒全局嵌入以及动态引导的分割过程，以提高视觉地点识别的准确性，同时提出第一个适用于地点识别和分割任务的合成世界数据集，实验证明方法在不同情景下具有良好性能。

    Jan, 2022

  • AnyLoc: 通向全球视觉地点识别的进展

    通过使用通用特征表示和无监督特征聚合，本研究提出了一种适用于各种结构化和非结构化环境的通用视觉地点识别 (VPR) 解决方案，并取得了相较于现有方法高出 4 倍的显著性能提升，同时对特征进行语义属性建模获得 6% 的性能改善。

    Aug, 2023

  • SeqNet: 基于序列的分层地点识别描述符学习

    本文提出一种新型混合系统，使用 SeqNet 生成临时描述符，并结合单图片学习描述符进行选择性控制序列得分汇总，以创建高性能初始匹配假设生成器，进而在挑战性基准数据集上达到超越现有最先进方法的效果。

    Feb, 2021

  • 实现预训练模型在视觉地点识别中的无缝适应

    利用预训练的模型实现可视化地点识别的平滑适应，既全局又局部地适应预训练模型，通过轻量级适配器调整以产生适用于地点匹配的全局和局部特征，并避免耗时的空间验证，在少量数据和训练时间下超过当前最先进方法，并仅使用两阶段地点识别方法运行时间的约 3％，在 MSLS 挑战榜单上排名第 1。

    Feb, 2024

  • 使用连续地点描述符回归实现精准视觉定位的 CoPR 方法

    该论文旨在提高基于图像的位置估计方法（Visual Place Recognition）的精度，作者通过提出一种连续的地点描述符回归方法（Continuous Place-descriptor Regression），在已有的参考图片上进行插值和外推，以增加参考图片的密度，通过实验结果发现该方法可以提高约 30% 的定位精度，相比使用视角不变损失函数，该方法可以额外提高约 15%。

    Apr, 2023