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,
-
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)。
-
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)。
-
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 l l 个 positive / negative 数据集(在我们的方法中,我们使用 l l 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 l l 个数据集执行 cross-validation training,以生成一组 SVM 分类器。