이 연구에서는 벤치마크 데이터셋에서 계층적 토폴로지 매핑 기술을 사용하여 최신 수작업 및 학습 전역 기술자의 성능을 평가하고 사용된 전역 기술자의 영향에 대한 포괄적인 평가 결과를 제시한다.
학습된 기술자는 장소 인식 방법에 통합되어 검색 정확도를 높이고 전반적인 재현율을 향상시켰지만, 더 긴 궤적에 적용할 때의 확장성과 효율성 문제는 대부분의 연구에서 충분히 다루어지지 않았다.
경험적 분석을 통해 연속성과 구별성이 효율적이고 확장 가능한 계층적 매핑을 가능하게 하는 최적의 전역 기술자에 필수적인 특성임을 확인했다. 또한 이러한 특성을 정량화하고 다양한 전역 기술자 간에 대조하는 방법론을 제시한다.
이 연구는 무감독 학습 Variational Autoencoder(VAE)에 기반한 전역 기술자가 이러한 특성에서 뛰어나며 상당히 낮은 실행 시간을 달성한다는 것을 보여준다. 소비자 등급 데스크톱에서 실행되며, 가장 긴 트랙(St Lucia, 17.6 km)에서 NetVLAD보다 최대 2.3배, PHOG보다 최대 9.5배 더 빠르게 실행되지만 전체 재현율 성능은 저하되지 않는다.
To Another Language
from source content
arxiv.org
Önemli Bilgiler Şuradan Elde Edildi
by Saravanabala... : arxiv.org 04-09-2024
https://arxiv.org/pdf/2404.05023.pdfDaha Derin Sorular