Die Studie untersucht den Einsatz verschiedener globaler Deskriptoren, darunter handgefertigte und gelernte Deskriptoren, in einem hierarchischen topologischen Kartierungssystem. Die Ergebnisse zeigen, dass gelernte Deskriptoren, insbesondere solche, die auf unüberwachten variationalen Autoencodern (VAE) basieren, eine höhere Effizienz und Skalierbarkeit aufweisen als handgefertigte Deskriptoren, ohne dabei die Rückgewinnungsleistung zu beeinträchtigen.
Die Autoren identifizieren zwei wichtige Eigenschaften eines idealen globalen Deskriptors für hierarchische Kartierung: Kontinuität und Unterscheidungsfähigkeit. Kontinuität bedeutet, dass der Deskriptorabstand zwischen benachbarten Frames kontinuierlich abnimmt, während Unterscheidungsfähigkeit bedeutet, dass der Abstand zwischen Deskriptoren aus unterschiedlichen Regionen deutlich größer sein sollte als der Abstand zwischen benachbarten Frames.
Die Experimente zeigen, dass VAE-basierte Deskriptoren diese Eigenschaften am besten erfüllen und daher deutlich schnellere Laufzeiten als andere Deskriptoren erreichen, insbesondere auf längeren Trajektorien wie dem St. Lucia-Datensatz (17,6 km). Auf diesem Datensatz sind die VAE-Deskriptoren bis zu 2,3-mal schneller als der zweitbeste Deskriptor (NetVLAD) und bis zu 9,5-mal schneller als der handgefertigte Deskriptor (PHOG), ohne dabei Einbußen bei der Rückgewinnungsleistung zu verzeichnen.
toiselle kielelle
lähdeaineistosta
arxiv.org
Tärkeimmät oivallukset
by Saravanabala... klo arxiv.org 04-09-2024
https://arxiv.org/pdf/2404.05023.pdfSyvällisempiä Kysymyksiä