Multi-Technique Sequential Information Consistency For Dynamic Visual Place Recognition In Changing Environments

要約

視覚的場所認識 (VPR) は、ロボットのナビゲーションおよび位置特定システムの重要なコンポーネントであり、画像データのみを使用して場所を識別できるようになります。
VPR は、日々の照明の違い、季節ごとの天候の変化、多様な視点によってその場所の外観が大きく変化するため、困難を伴います。
現在、あらゆる環境条件で優れた単一の VPR 技術は存在せず、それぞれに独自の利点と欠点があるため、複数の技術を組み合わせることで、より信頼性の高い VPR パフォーマンスを実現できます。
現在のマルチメソッドのアプローチは、多くの場合入手できないオンラインの真実の情報に依存するか、ブルートフォース手法の組み合わせに依存するため、分散の高い手法セットではパフォーマンスが低下する可能性があります。
これらの欠点に対処して、我々は、連続情報を活用してオンラインでフレームごとに最も一貫性のある技術を選択する、Multi-Sequential Information Consistency (MuSIC) と呼ばれる VPR システムを提案します。
MuSIC は、セット内の各技術について、上位一致候補のフレーム間の連続性を分析することによってそれぞれの連続一貫性を計算し、それらを直接比較して現在のクエリ画像に最適な技術を選択します。
連続情報を使用して VPR メソッドを選択すると、ランタイム環境の追加のグラウンド トゥルースの必要性を回避しながら、さまざまなベンチマーク データセットにわたって全体的な VPR パフォーマンスが向上します。

要約(オリジナル)

Visual place recognition (VPR) is an essential component of robot navigation and localization systems that allows them to identify a place using only image data. VPR is challenging due to the significant changes in a place’s appearance driven by different daily illumination, seasonal weather variations and diverse viewpoints. Currently, no single VPR technique excels in every environmental condition, each exhibiting unique benefits and shortcomings, and therefore combining multiple techniques can achieve more reliable VPR performance. Present multi-method approaches either rely on online ground-truth information, which is often not available, or on brute-force technique combination, potentially lowering performance with high variance technique sets. Addressing these shortcomings, we propose a VPR system dubbed Multi-Sequential Information Consistency (MuSIC) which leverages sequential information to select the most cohesive technique on an online per-frame basis. For each technique in a set, MuSIC computes their respective sequential consistencies by analysing the frame-to-frame continuity of their top match candidates, which are then directly compared to select the optimal technique for the current query image. The use of sequential information to select between VPR methods results in an overall VPR performance increase across different benchmark datasets, while avoiding the need for extra ground-truth of the runtime environment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google