【论文笔记】-- Scene Signatures: Localised and Point-less Features for Localisation

一般的 point-feature 在动态环境下失效，如 corner、blob，作为替代，scene signature 对动态条件鲁棒，是如何学来的呢？

B. Unsupervised learning of scene signature

训练过程如下，

1. 在现实的特定地点收集一组具有各种外观的N张图像（我们的实验中 N = 31）。

2. 对于每个图像，将其划分为 M 个图块（请参见图4；我们的实验中 M = 4）。

3. 对于所有的 M 个图块，执行以下操作（我们在此将每次迭代称为“round”）：

   1） 在所有 N 个图像中设置与 “positive” 图块相同的图块，这意味着从该图块采样的所有patch 都位于 positive 集中（图4中的浅棕色）。

   2）从 positive 图块（即此 round 的 positive 图集）中采样尺寸不同的K个 patches。

   3）选择 positive 图块周围的 band； 在这些区域中采样的 patches 被置于 negative 集中（图4中的蓝色 band ）。

   4）从 negative band（即此 round 的 negative 集合）中采样尺寸不同的K个 patches。

   5）将所有从图块采样到的 positive and negative patches 分割为 $l$ 个 positive / negative 数据集（在我们的方法中，我们使用 $l$ = 3）。

   6）对于每个 patches，计算一个 HOG 描述子，并为每个 positive patch 计算前20个最近邻居。请注意，每20个 patches 形成一组，代表一个候选 scene signature cluster 的种子。

   7）通过放弃候选对象来进行精简化，在这些候选对象中，有一半以上的最近邻属于negative set，或者与其他任何 clusters 的重叠超过2个。这将候选 clusters 的数量减少到大约200。

   8）对 $l$ 个数据集执行 cross-validation training，以生成一组 SVM 分类器。