Self-Supervised Domain Calibration and Uncertainty Estimation for Place Recognition

要約

近年最先端技術としての地位を確立している深層学習に基づく視覚的場所認識技術は、トレーニング セットとは視覚的に異なる環境にうまく一般化できません。
したがって、最高のパフォーマンスを実現するには、ネットワークをターゲット環境に合わせて微調整する必要がある場合があります。
この目的のために、GPS や手動ラベリングを必要としない監視信号として、Simultaneous Localization and Mapping (SLAM) からのロバストなポーズ グラフ最適化に基づく自己監視ドメイン キャリブレーション手順を提案します。
さらに、この手順を活用して、安全性が重要なアプリケーションで重要な場所認識の一致の不確実性推定を改善します。
私たちのアプローチが、トレーニングセットとは異なるターゲット環境で最先端の技術のパフォーマンスを向上させ、不確実性の推定値を取得できることを示します。
このアプローチは、実践者が堅牢な場所認識ソリューションを実際のアプリケーションに展開するのに役立つと考えています。
私たちのコードは公開されています: https://github.com/MISTLab/vpr-calibration-and-uncertainty

要約(オリジナル)

Visual place recognition techniques based on deep learning, which have imposed themselves as the state-of-the-art in recent years, do not generalize well to environments visually different from the training set. Thus, to achieve top performance, it is sometimes necessary to fine-tune the networks to the target environment. To this end, we propose a self-supervised domain calibration procedure based on robust pose graph optimization from Simultaneous Localization and Mapping (SLAM) as the supervision signal without requiring GPS or manual labeling. Moreover, we leverage the procedure to improve uncertainty estimation for place recognition matches which is important in safety critical applications. We show that our approach can improve the performance of a state-of-the-art technique on a target environment dissimilar from its training set and that we can obtain uncertainty estimates. We believe that this approach will help practitioners to deploy robust place recognition solutions in real-world applications. Our code is available publicly: https://github.com/MISTLab/vpr-calibration-and-uncertainty

arxiv情報

提供元, 利用サービス

arxiv.jp, Google