文献

J-GLOBAL ID：202202257384270369   整理番号：22A0781172

マルチRes-NetVLAD:低解像度画像による場所認識訓練の増強【JST・京大機械翻訳】

MultiRes-NetVLAD: Augmenting Place Recognition Training With Low-Resolution Imagery

著者 (3件)： Khaliq Ahmad (School of Electrical Engineering and Robotics and QUT Centre of Robotics, Queensland University of Technology, Brisbane, QLD, Australia) ,  Milford Michael (School of Electrical Engineering and Robotics and QUT Centre of Robotics, Queensland University of Technology, Brisbane, QLD, Australia) ,  Garg Sourav (School of Electrical Engineering and Robotics and QUT Centre of Robotics, Queensland University of Technology, Brisbane, QLD, Australia)
資料名： IEEE Robotics and Automation Letters  (IEEE Robotics and Automation Letters)
巻： 7  号： 2  ページ： 3882-3889  発行年： 2022年 
JST資料番号： W2448A  ISSN： 2377-3766  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 視覚認識(VPR)は,6-DoF局在化,視覚SLAMおよび構造-運動パイプラインの重要な構成要素であり,大域的位置記述子をマッチングすることにより,位置マッチ仮説の初期リストを生成するタスクをした。しかし,通常用いられるCNNベースの方法は,訓練後の多重画像解像度を,訓練中の最後の畳み込み層に対して,単一分解能と制限マルチスケール特徴抽出を利用する。本論文では,より豊富な位置表現を導く低解像度画像ピラミッド符号化によるNetVLAD表現学習を強化した。得られた多重解像度特徴ピラミッドは,VLADを通して単一コンパクト表現に便利に集約でき,最近のマルチスケールアプローチにおける多重パッチの連結または加算の必要性を避けることができる。さらに,基礎となる学習特徴テンソルを,それらのベースライン性能を改善するために既存のマルチスケールアプローチと組み合わせることができることを示した。15の視点変動と視点一貫したベンチマークデータセットの評価は,提案したMultiRes-NetVLADが,11の既存の技術と比較して,大域的記述子ベースの検索のための最先端のRecall@N性能をもたらすことを確認した。ソースコードはhttps://github.com/Ahmedest61/MultiRes-NetVLADで公開されている。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 視覚 ,  畳込み ,  テンソル ,  学習 ,  分解能 ,  特徴抽出 ,  *多重化 ,  視認 ,  角錐 ,  基準線 ,  ベンチマーク
準シソーラス用語： 多重解像度 ,  マルチスケール ,  局在化 ,  ソースコード , 【Automatic Indexing@JST】

分類 (3件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I) ,  信号理論  (ND02020G)

タイトルに関連する用語 (4件)： マルチ ,  低解像度画像 ,  訓練 ,  増強