Leveraging BEV Representation for 360-degree Visual Place Recognition

要約

この論文では、360 度の視覚的場所認識 (VPR) で鳥瞰図 (BEV) 表現を使用する利点を調査します。
私たちは、特徴抽出、特徴集約、および視覚キューと空間認識の橋渡しとなるビジョンと LiDAR の融合において BEV 表現を利用する新しいネットワーク アーキテクチャを提案します。
私たちの方法では、標準の畳み込みネットワークを使用して画像の特徴を抽出し、事前定義された 3D グリッド空間点に従ってその特徴を組み合わせます。
カメラ間の機械的および時間的なずれを軽減するために、補正を学習するための変形可能な注意をさらに導入します。
BEV 特徴表現に基づいて、集約のために極座標変換と離散フーリエ変換を使用します。これは回転不変であることが示されています。
さらに、画像と点群の手がかりを同じ座標で簡単に表現できるため、場所認識のためのセンサー フュージョンに役立ちます。
提案された BEV ベースの方法は、路上シナリオと路外シナリオを含む 2 つのデータセットに関するアブレーション研究と比較研究で評価されます。
実験結果は、BEV がベースライン手法と比較して優れたパフォーマンスにより VPR に利益をもたらす可能性があるという仮説を検証します。
私たちの知る限り、これはこのタスクで BEV 表現を採用する最初の試みです。

要約(オリジナル)

This paper investigates the advantages of using Bird’s Eye View (BEV) representation in 360-degree visual place recognition (VPR). We propose a novel network architecture that utilizes the BEV representation in feature extraction, feature aggregation, and vision-LiDAR fusion, which bridges visual cues and spatial awareness. Our method extracts image features using standard convolutional networks and combines the features according to pre-defined 3D grid spatial points. To alleviate the mechanical and time misalignments between cameras, we further introduce deformable attention to learn the compensation. Upon the BEV feature representation, we then employ the polar transform and the Discrete Fourier transform for aggregation, which is shown to be rotation-invariant. In addition, the image and point cloud cues can be easily stated in the same coordinates, which benefits sensor fusion for place recognition. The proposed BEV-based method is evaluated in ablation and comparative studies on two datasets, including on-the-road and off-the-road scenarios. The experimental results verify the hypothesis that BEV can benefit VPR by its superior performance compared to baseline methods. To the best of our knowledge, this is the first trial of employing BEV representation in this task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google