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$\mathcal{O}(n)$，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 { e a s t , n o r t h } \{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 { h e a d i n g } \{heading\} {heading}，进一步把每个单元格分成一组类。定义类$C_{e_i,n_j,h_k}$内的图片集合为
  { x : ⌊ e a s t M ⌋ = e i , ⌊ n o r t h M ⌋ = n j , ⌊ h a d i n g α ⌋ = h k } \{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$M$和$\alpha$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，$N$控制同一group中的任意两个类之间最小单元格数量，$L$表示同一个单元格内相隔多少个$\alpha$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$L$个$\alpha$角度选取图片放进一个group，图中设置$\alpha =60^{\circ },N=3,L=2$，那么一共有多少个群组呢？答案是$3\times 3\times 2=18$个，图中的橙色和紫色其实就是表示同一个单元格每隔$\alpha \times L=120^{\circ }$采样$60^{\circ }$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$3\times 3=9$个组，两个相乘就是18个群组。

  ​ 根据上述解释定义CosPlace Group $G_{uvw}$为：
  G u v w = { C e i n j h k : ( e i m o d    N = u ) ∧ ( n j m o d    N = v ) ∧ ( h k m o d    L = 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​={Cei​nj​hk​​:(ei​modN=u)∧(nj​modN=v)∧(hk​modL=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$L$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$M\cdot (N-1)$米，或者相隔$\alpha \times (L-1)$度

  (3) CosPlace Groups总数目为$N\times N\times L$

  (4) 没有任何两个连通的类属于同一个群组（除非$N=1$或者$L=1$）

• 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：
  $${\mathcal{L}}_{cosPlace}={\mathcal{L}}_{lmcl}(G_{uvw})$$
  ${\mathcal{L}}_{lmcl}$ 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$G_{000},G_{001},...$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，$M=10,\alpha =30^{\circ },N=5,L=2$. 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$M,N,L,\alpha$；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$M=10,\alpha =30,N=5,L=2$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！