【论文笔记】From Coarse to Fine: Robust Hierarchical Localization at Large Scale

【论文笔记】From Coarse to Fine: Robust Hierarchical Localization at Large Scale

   ~~~       ~~~~    强大而准确的视觉定位是众多应用的基本能力，例如自动驾驶、移动机器人或增强现实。然而，这仍然是一项具有挑战性的任务，特别是对于大规模环境和存在显着外观变化的情况。最先进的方法不仅受困于这些场景，而且对于某些实时应用程序来说往往过于占用资源。在本文中，我们提出了 HFNet，这是一种基于整体 CNN 的分层定位方法，可同时预测局部特征和全局描述符，以实现准确的 6-DoF 定位。我们利用从粗到细的定位范式：我们首先执行全局检索以获得位置假设，然后才匹配这些候选位置内的局部特征。这种分层方法显着节省了运行时间，并使我们的系统适合实时操作。通过利用学习到的描述符，我们的方法在外观的大变化中实现了显着的定位鲁棒性，并在两个具有挑战性的大规模定位基准上设置了新的最新技术。
　　本文采用了一种自然的粗到细姿态估计过程，它利用了全局描述符和局部描述符，并且可以很好地适应大环境（图 1）。实验表明，学习的描述符在具有挑战性的条件下具有无与伦比的鲁棒性，而学习的关键点由于其更高的可重复性而提高了计算和内存方面的效率。为了进一步提高这种方法的效率，我们提出了一种分层特征网络（HF-Net），一种联合估计局部和全局特征的 CNN，从而最大限度地共享计算。我们展示了如何使用多任务蒸馏以灵活的方式训练这种压缩模型。通过将多个最先进的预测器联合提炼成单个模型，我们获得了无与伦比的快速、稳健和准确的定位。即本文的贡献如下：
　　– 在大规模本地化的几个公共基准中设定了新的最先进水平，在特别具有挑战性的条件下具有出色的稳健性；
　　– 引入了 HF-Net，这是一种单片神经网络，它可以有效地预测分层特征以实现快速而稳健的定位；
　　– 展示了多任务蒸馏在使用异构预测器实现运行时目标方面的实际用途和有效性

Hierarchical Localization

   ~~~       ~~~~