Merging Classification Predictions with Sequential Information for Lightweight Visual Place Recognition in Changing Environments

要約

低オーバーヘッドの視覚的場所認識（VPR）は、非常に活発な研究テーマである。モバイルロボットアプリケーションはローエンドハードウェアで動作することが多く、よりハードウェア能力の高いシステムであっても、オンボードのシステムリソースを他のナビゲーションタスクに解放することで利益を得ることができる。この研究では、2値重み付け分類器ネットワークと1次元畳み込みネットワークの組み合わせに基づく新しいシステムを提案することにより、軽量VPRに取り組んでいる。複数のVPR技術を融合する最近の研究は、主にVPRの性能向上に焦点が当てられており、計算効率はあまり重要視されていない。これに対し、我々は、分類器の効率的な組み合わせが盛んに研究されている機械学習の文献からヒントを得て、推論時間の短縮を優先して技術を設計した。また、季節変化や視点の移動など、様々な視覚変化に対して同等以上のVPR性能を達成した。

要約(オリジナル)

Low-overhead visual place recognition (VPR) is a highly active research topic. Mobile robotics applications often operate under low-end hardware, and even more hardware capable systems can still benefit from freeing up onboard system resources for other navigation tasks. This work addresses lightweight VPR by proposing a novel system based on the combination of binary-weighted classifier networks with a one-dimensional convolutional network, dubbed merger. Recent work in fusing multiple VPR techniques has mainly focused on increasing VPR performance, with computational efficiency not being highly prioritized. In contrast, we design our technique prioritizing low inference times, taking inspiration from the machine learning literature where the efficient combination of classifiers is a heavily researched topic. Our experiments show that the merger achieves inference times as low as 1 millisecond, being significantly faster than other well-established lightweight VPR techniques, while achieving comparable or superior VPR performance on several visual changes such as seasonal variations and viewpoint lateral shifts.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL