NPR: Nocturnal Place Recognition in Streets

要約

タイトル：NPR:夜間のストリートにおける場所認識

要約：画像の検索を通してデータベースに似た画像を取得するVisual Place Recognition（VPR）は、大量の既知の画像データベースと比較することによって、クエリ写真によって引き起こされる夜間における極端な照明変化に直面する。これに対処するために、道路レベルのVPRにおいて日夜の対応がない訓練セットが存在しない。この課題に対処するために、NPR（Nocturnal Place Recognition）を開発した。この枠組みは、VPRを分割し、夜間の場所認識を実現するために提案された。これにより、まず、街路レベルの日夜のデータセットNightStreetを確立し、これを用いてペアレス画像から画像変換モデルを学習した。次に、このモデルを使用して既存の大規模なVPRデータセットを処理し、VPR-Nightデータセットを生成することを示し、2つの人気のあるVPRパイプラインと組み合わせる方法を説明した。最後に、我々はVPRフレームワークを分割して征服し、理論的、実験的、応用レベルで説明を提供した。使用することにより、従来の方法は2つの公開データセットで大幅にパフォーマンスを改善することができる。

要約(オリジナル)

Visual Place Recognition (VPR) is the task of retrieving database images similar to a query photo by comparing it to a large database of known images. In real-world applications, extreme illumination changes caused by query images taken at night pose a significant obstacle that VPR needs to overcome. However, a training set with day-night correspondence for city-scale, street-level VPR does not exist. To address this challenge, we propose a novel pipeline that divides VPR and conquers Nocturnal Place Recognition (NPR). Specifically, we first established a street-level day-night dataset, NightStreet, and used it to train an unpaired image-to-image translation model. Then we used this model to process existing large-scale VPR datasets to generate the VPR-Night datasets and demonstrated how to combine them with two popular VPR pipelines. Finally, we proposed a divide-and-conquer VPR framework and provided explanations at the theoretical, experimental, and application levels. Under our framework, previous methods can significantly improve performance on two public datasets, including the top-ranked method.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI