Rethinking Visual Geo-localization for Large-Scale Applications 论文阅读CosPlace
作者文章：地址
github代码：地址
一、作者的motivation
在自动驾驶中往往需要更大尺度的场景，面对大尺度场景需要克服两个限制：
（1）Non-representative数据集
当前存在的数据集在大尺度实际场景应用，无法表现的太好，主要原因：
- 覆盖的地理区域太小
- 场景图片地理分布太稀疏，如下图中MSLS
- 当前存在的数据集都是分割成地理位置不相交的集合，用于训练和推理
弊端：在这些数据集进行训练，没有找到真世界中场景的相关性
（2）Scalability of training
- 当前热门的方法大都使用对比学习(大多数依赖三元损失函数triplet loss)，挖掘negative examples是一个很昂贵的操作
- 现有的挖掘方法，也存在收敛速度慢，数据使用有效性差的缺点
贡献：
- 稠密大尺度数据集SF-XL，大约是当前存在数据集规模的30倍，并且包括Crowd-sourced(i.e., multi-domain)
- 提出一个CosPlace方法，利用图像分类任务的方法训练模型，提取有区分性的描述子，该方法相当简单，不需要挖局负例，就可以从大量数据中完成有效的学习
- 与当前SOTA方法相比，GPU显存大约减少80%，embeddings也要小8倍，在其他数据集也有很好的泛化能力
二、相关工作
Visual geo-localization - 看成图像检索任务
缺点：由于挖掘负例代价昂贵，导致训练时间长；Netvlad，PCA减少描述子维度，会导致表现退化。
Visual geo-localization - 看成图像分类任务
缺点：精度太差
本文方法结合这两种方式：
利用不需要挖掘负例的分类任务训练模型，分类策略旨在利用稠密数据的可用性，并确保如果两个图像来自同一个类，它们将显示相同的场景。此外，与以前任务不同的是，经过训练后，本文方法可以通过对任何给定地理区域的图像检索来执行地理定位。
三、旧金山SF-XL数据集
数据库：Database
- 训练集：整座旧金山城市41.2M图片，包括6DOF的GPS信息和朝向方位角度，从2009年至2021年。
- 测试集：仅有2.8M图片，从2013年开始，仍然覆盖整个几何区域
- 验证集：8K数据库图片，8K查询图片
查询：Queries
思想：数据库和查询集合的拆分需要合适的分割方法，否则会影响结果。test queries不应该和Database来自相同的域，因为真实世界测试总是来自未见过的区域，本文的test queries包含两部分：
test set v1: 从Flicker收集1000张图片，给出不精确的GPS坐标，所有图片都是手工选择，定位已经被验证
test set v2: 从San Francisco Landmark Dataset选取598张图片，利用方法生成6DOF坐标。
四、方法
首先简单批评一下现有的比较好的方法的缺点：
（1）训练的时候需要定期计算所有数据库图片的特征，时间和空间复杂度O(n)\mathcal{O}(n)O(n)，仅适用于小数据集。
（2）基于NetVLAD和其变体的方法，描述子向量维度过高，推理阶段需要大量的内存占用，PCA减少维度，会导致结果退化。
受到人脸识别的启发，cosFace和arcFace是其实现最佳结果的关键，需要把训练集分类。但是SX-XL数据集标签空间是连续的，分类并不直观，所以引入下面方法：
数据集分类：
利用UTM坐标{east,north}\{east, north\}{east,north}将数据库分成正方形地理单元格，然后根据每张图片的方位/朝向{heading}\{heading\}{heading}，进一步把每个单元格分成一组类。定义类Cei,nj,hkC_{e_i,n_j,h_k}Cei,nj,hk内的图片集合为
{x:⌊eastM⌋=ei,⌊northM⌋=nj,⌊hadingα⌋=hk}\{x:\lfloor \frac{east}{M} \rfloor = e_i, \lfloor \frac{north}{M} \rfloor = n_j, \lfloor \frac{hading}{\alpha} \rfloor = h_k\} {x:⌊Meast⌋=ei,⌊Mnorth⌋=nj,⌊αhading⌋=hk}
其中MMM和α\alphaα分别表示确定类单元格范围位置和朝向的长度（米）和角度（度）。虽然这种解决方案可以从数据集创建一组类，但它有一个很大的局限性：由于量化误差，几乎相同的图像(例如，以相同的方向拍摄，但相距几厘米)可能被分配到不同的类如下图，会妨碍分类方法的训练。
本文的方法是不一次性训练所有类，而是仅训练不相邻的类（如果位置或朝向上的微小差异，可以将图片从一个类带到另一个类，则两个类是相邻的），这些组称为CosPlace Groups，类似于单独的数据集，每一次训练一个group。
生成groups的原则是：一个group中的任意两个类，在平移和朝向上有一个最小的间隔数值。引入两个超参数，NNN控制同一group中的任意两个类之间最小单元格数量，LLL表示同一个单元格内相隔多少个α\alphaα角度选取图片。具体如下图：
按照图中的逻辑，水平竖直各相隔N的M长度单元格选取类，每个单元格内部再每隔LLL个α\alphaα角度选取图片放进一个group，图中设置α=60∘,N=3,L=2\alpha = 60^{\circ},\space N = 3, \space L = 2α=60∘,N=3,L=2，那么一共有多少个群组呢？答案是3×3×2=183\times3\times2 = 183×3×2=18个，图中的橙色和紫色其实就是表示同一个单元格每隔α×L=120∘\alpha \times L = 120^\circα×L=120∘采样60∘60^\circ60∘范围内的图片放入一个group中，那么一个类单元格就分成2个群组，然后再水平竖直每隔3个单元格，又分成3×3=93\times3=93×3=9个组，两个相乘就是18个群组。 根据上述解释定义CosPlace Group GuvwG_{uvw}Guvw为：
Guvw={Ceinjhk:(eimodN=u)∧(njmodN=v)∧(hkmodL=w)}G_{uvw} = \{C_{e_in_jh_k}:(e_i \mod N = u)\wedge(n_j \mod N = v) \land (h_k \mod L= w)\} Guvw={Ceinjhk:(eimodN=u)∧(njmodN=v)∧(hkmodL=w)}
每个CosPlace Group之间都是非连通集合。性质如下:(1) 每一个类别都明确一个群组（我认为应该是一个类别单元格会明确分给LLL个群组）
(2) 同一个群组，如果两张图片属于不同的类，它们至少相隔M⋅(N−1)M\cdot(N-1)M⋅(N−1)米，或者相隔α×(L−1)\alpha \times (L-1)α×(L−1)度
(3) CosPlace Groups总数目为N×N×LN \times N \times LN×N×L
(4) 没有任何两个连通的类属于同一个群组（除非N=1N=1N=1或者L=1L=1L=1）
训练网络：
受到LCML也被称为cosFace的启发，但是原本的LCML不能直接应用到该数据集，因为图像数据没有被分成有限数量的类。然而通过上述的数据集分区方法，可以在每个CosPlace groups上顺序执行LCML(其中每个组可以被视为一个单独的数据集)，并在许多组上进行迭代。由于LCML需要全连接层对应类别数，训练阶段每一个群组都需要一个全连接层，在验证和测试阶段不需要全连接层。注意并不是所有群组都是需要的，单一一个群组也可以训练，文章中图10消融实验证明，多于一个群组，效果会更好一点。按顺序训练每个群组：
LcosPlace=Llmcl(Guvw)\mathcal L_{cosPlace} = \mathcal L_{lmcl}(G_{uvw}) LcosPlace=Llmcl(Guvw)
Llmcl\mathcal L_{lmcl}Llmcl 是LCML loss,u∈{0,...,N},v∈{0,...,},W∈{0,...,L}.u \in \{0,...,N\},\space v \in \{0,...,\},\space W\in\{0,...,L\}.u∈{0,...,N},v∈{0,...,},W∈{0,...,L}. 就按照G000,G001,...G_{000},\space G_{001},...G000,G001,...的顺序依次迭代群组。
五、实验
实施细节：
架构：一个标准的CNN backbone(VGG16) + GeM pooling + fully connected layer(output 512)。在消融实验和预实验也使用了ResNet18，结果差不多，也在各个框架都试了一下，其中ResNet101+128-D描述子结果表现超过当前使用4096-D描述子的SOTA方法。
训练：超参数设置，M=10,α=30∘,N=5,L=2M = 10, \space \alpha = 30^\circ, \space N = 5, \space L = 2M=10,α=30∘,N=5,L=2. 每个epoch执行一个群组迭代10k次，一个群组一个epoch，一共50个epochs（例如：batchsize = 32，500k次迭代）。在训练期间，为了每个群组可以多次看到，仅使用8个groups（50个群组中的8个，代码中是0~7）。每训练一次验证一次，训练结束，测试集在验证集表现最好的模型上测试。更多的细节看附录。
方法比较：
比较25米阈值的recall@N，结果更好。还比较了内存占用，描述子维度，都是最佳的，具体看文章。
计算效率：
内存占用；GPU需求，CosPlace只需要7.5GB、单GPU2080Ti训练；描述子维度和其他方法相比非常小；训练测试速度更快。
消融实验：
超参数M,N,L,αM,N,L,\alphaM,N,L,α；backbone和描述子维度等等，具体结果看文章附录。
限制：
使用了Heading labels，Pitts30K和MSLS没有该数据，CosPlace无法在上面训练；研究了较小训练集的训练，但是并没有达到SOTA的结果，所以该方法并不适合在小训练集训练。
六、附录：B.2 进一步实施细节
- 为了更好的表示每个类，对于训练期间的数据，保证每个单元格内至少10张全景图，抛弃了大约15%的图片
- 超参数M=10,α=30,N=5,L=2M = 10,\alpha = 30, N = 5, L = 2M=10,α=30,N=5,L=2得到50个群组，每个组大概35k个类，每个类平均包含19.8张图片
- 训练阶段仅训练50个群组中的8个，包含大约5.6M张图片，将来的工作也可以修改这个参数
- 优化器：Adam optimizer，lr = 0.00001，batchsize = 32，数据增强采用color jittering，random cropping
- cosFace loss 的 margin = 0.04
以上就差不多是这篇文章的全部内容，其实主要思想还是利用heading labels对稠密的图片进行数据划分，来更好的提取特征，但是文章中的数据集主要集中在旧金山城镇街道，一些户外数据集或者相似区域的图像检索，效果如何不能确定，但这种思想值得借鉴，为数据集进行非连通的分类分组。
最后欢迎大家留言讨论！
Rethinking Visual Geo-localization for Large-Scale Applications 论文阅读CosPlace相关推荐
- Visual Attribute Transfer through Deep Image Analogy论文阅读笔记
Visual Attribute Transfer through Deep Image Analogy论文阅读笔记 介绍 论文提出了一种新的两张图片直接进行视觉属性迁移的方法.该方法针对的是两张具有 ...
- 《Fast unfolding of communities in large networks》论文阅读
2022.5.3 天气晴,白天热晚上冷. physics,2008. <Fast unfolding of communities in large networks> 一.出发点 二.方 ...
- 【食品图像识别】Large Scale Visual Food Recognition
1 引言 视觉智能部与中科院计算所于2020-2021年度展开了<细粒度菜品图像识别和检索>科研课题合作,本文系双方联合在IEEE T-PAMI2023发布论文<Large Scal ...
- Paper之BigGAN：《Large Scale Gan Training For High Fidelity Natural Image Synthesis》翻译与解读
Paper之BigGAN:<Large Scale Gan Training For High Fidelity Natural Image Synthesis>翻译与解读 目录 效果 1 ...
- Introducing DataFrames in Apache Spark for Large Scale Data Science（中英双语）
文章标题 Introducing DataFrames in Apache Spark for Large Scale Data Science 一个用于大规模数据科学的API--DataFrame ...
- 【SFace】《SFace: An Efficient Network for Face Detection in Large Scale Variations》
arXiv-2018 文章目录 1 Background and Motivation 2 Advantages / Contributions 3 Method 3.1 Feature Pyrami ...
- [LiteratureReview]A survey of image semantics-based visual simultaneous localization and mapping....
[LiteratureReview]A survey of image semantics-based visual simultaneous localization and mapping: Ap ...
- 【多标签文本分类】Large Scale Multi-label Text Classification with Semantic Word Vectors
·阅读摘要: 本文提出了利用词向量+CNN/词向量+GRU来解决大规模数据下的多标签文本分类问题. [1] Large Scale Multi-label Text Classificatio ...
- Machine Learning week 10 quiz: Large Scale Machine Learning
Large Scale Machine Learning 5 试题 1. Suppose you are training a logistic regression classifier using ...
- Paper之BigGAN：ICLR 2019最新论文《LARGE SCALE GAN TRAINING FOR HIGH FIDELITY NATURAL IMAGE SYNTHESIS》(未完待续)
Paper之BigGAN:ICLR 2019最新论文<LARGE SCALE GAN TRAINING FOR HIGH FIDELITY NATURAL IMAGE SYNTHESIS> ...
最新文章
- OpenGL概念辨析： 窗口，视口，裁剪区域
- Apache 架构师总结的 30 条架构原则
- python xmxl 无法启动_Python小白到老司机，快跟我上车！基础篇(三)
- 【Mongodb】MongoDB
- div+css盒子居中
- Tire 模板（建议收藏）
- 【Java每日一题】20170113
- linux中memcpy实现分析,ARM64 的 memcpy 优化与实现
- Docker应用的四个关键设计因素
- Linux安全驱动模块,【漏洞预警】CVE-2017-2636：linux 内核n_hdlc驱动模块 本地提权漏洞...
- srm开发（基于ssh）（4）
- JEE_Ajax技术
- android中The connection to adb is down .. You must restart adb and Eclipse问题的解决
- 数据结构在程序中的实现及表现形式
- JMeter循环控制器循环次数使用变量控制注意事项
- 设定目标需要注意的事项
- Linux多网卡绑定（bond）及网络组(team)
- 9大电商平台开具发票页调研
- scrapy 爬取链家二手房数据
- ECMAScript 2019(ES10) 的新特性总结