主要內(nèi)容：提出了一種基于學(xué)習(xí)的相機(jī)定位算法，其無(wú)需存儲(chǔ)圖像特征和場(chǎng)景三維點(diǎn)云，降低了存儲(chǔ)限制，通過(guò)識(shí)別場(chǎng)景中稀疏但顯著有代表性的landmark來(lái)找到2D-3D對(duì)應(yīng)關(guān)系進(jìn)行后續(xù)的魯棒姿態(tài)估計(jì)，通過(guò)訓(xùn)練檢測(cè)landmark的場(chǎng)景特定的CNN來(lái)實(shí)現(xiàn)所提出的想法，即回歸輸入圖像中對(duì)應(yīng)landmark的2D坐標(biāo)。

創(chuàng)新點(diǎn)與Contributions：1）與大多數(shù)landmark通常可見(jiàn)的人體姿態(tài)估計(jì)不同，由于相機(jī)視野有限并且無(wú)法同時(shí)觀察場(chǎng)景的不同部分，相機(jī)姿態(tài)估計(jì)任務(wù)中大多數(shù)場(chǎng)景l(fā)andmark不會(huì)同時(shí)可見(jiàn)，文章通過(guò)提出一種新的神經(jīng)方位估計(jì)器（Neural Bearing Estimator，NBE）來(lái)解決這一問(wèn)題，該估計(jì)器可以直接回歸相機(jī)坐標(biāo)系中場(chǎng)景l(fā)andmark的3D方位向量，NBE學(xué)習(xí)全局場(chǎng)景表示的同時(shí)學(xué)習(xí)預(yù)測(cè)場(chǎng)景l(fā)andmark的方向向量，即使它們不可見(jiàn)。 2）提出了一個(gè)新的室內(nèi)定位數(shù)據(jù)集，INDOOR-6，相對(duì)于傳統(tǒng)的7-Scenes室內(nèi)數(shù)據(jù)集，包含更多變化的場(chǎng)景、晝夜圖像和強(qiáng)烈的照明變化 3）與現(xiàn)有的無(wú)存儲(chǔ)定位方法相比，具有低存儲(chǔ)的優(yōu)點(diǎn)且性能較好 文章提出了兩種預(yù)測(cè)圖像中場(chǎng)景l(fā)andmark的方法，在第一種方法中訓(xùn)練了一個(gè)模型來(lái)識(shí)別圖像中的2D場(chǎng)景地標(biāo)，稱(chēng)之為場(chǎng)景地標(biāo)檢測(cè)器（SLD），由于假設(shè)已知的相機(jī)內(nèi)參，這些2D檢測(cè)可以轉(zhuǎn)換為3D方位矢量或射線。在第二種方法中訓(xùn)練了一個(gè)不同的模型直接預(yù)測(cè)相機(jī)坐標(biāo)系中l(wèi)andmark的3D方位向量，稱(chēng)之為神經(jīng)方位估計(jì)器（NBE）。注：使用SLD，只能檢測(cè)到相機(jī)視場(chǎng)（FoV）中可見(jiàn)的landmark，而NBE預(yù)測(cè)所有l(wèi)andmark的方位，包括相機(jī)視場(chǎng)外不可見(jiàn)的landmark。

首先會(huì)有一個(gè)SFM構(gòu)建的點(diǎn)云模型，會(huì)在這些點(diǎn)云中挑選出有代表性的點(diǎn)云子集，用這些子集以及建圖時(shí)SFM算法生成的數(shù)據(jù)庫(kù)圖像的偽真值來(lái)訓(xùn)練兩個(gè)提出的網(wǎng)絡(luò)模型。SLD：SLD被設(shè)計(jì)為將RGB圖像I作為輸入并輸出一組像素似然圖（熱圖）表示每個(gè)可見(jiàn)地標(biāo)的位置，其模型架構(gòu)如下：

由四個(gè)主要組件組成：使用ResNet-18為backbone，刪除最后三個(gè)最大池化層以保留高分辨率特征圖（輸出分辨率為輸入圖像分辨率的四分之一），其次在ResNet-18之后使用擴(kuò)張卷積塊，擴(kuò)張率設(shè)置為1、2、3和4，接下來(lái)轉(zhuǎn)置卷積層執(zhí)行上采樣，并負(fù)責(zé)生成分辨率為輸入圖像一半的熱圖，最后一層由1×1卷積組成，預(yù)測(cè)L個(gè)熱圖通道，每個(gè)地標(biāo)一個(gè)。 訓(xùn)練損失：

在推斷過(guò)程中，假設(shè)當(dāng)其最大熱圖值超過(guò)閾值τ=0.2時(shí)表明檢測(cè)到地標(biāo)，利用亞像素精度計(jì)算熱圖峰值位置處裁剪的17×17 patch的期望值。NBE：設(shè)計(jì)了一個(gè)模型在給定圖像I的情況下回歸全部場(chǎng)景l(fā)andmark（即使它不可見(jiàn)）的方位向量。 CNN將圖像I作為輸入以生成深度特征圖，然后是多個(gè)MLP（多層感知器）塊，每個(gè)塊輸出指向landmark的方向向量，MLP包含兩個(gè)全連接層，具有128個(gè)ReLU激活節(jié)點(diǎn)。

訓(xùn)練好兩個(gè)模型后，將每個(gè)查詢圖像輸入SLD網(wǎng)絡(luò)以獲得2D檢測(cè)，然后根據(jù)內(nèi)參將其轉(zhuǎn)換為一組landmark方位向量B1，如果檢測(cè)到超過(guò)八個(gè)場(chǎng)景l(fā)andmark，使用魯棒最小解算器（P3P+RANSAC）計(jì)算相機(jī)姿態(tài)，然后使用基于Levenberg-Marquardt的非線性細(xì)化。如果沒(méi)有8個(gè)，將相同的圖像輸入NBE網(wǎng)絡(luò)并獲得預(yù)測(cè)方位B2，然后合并方位估計(jì)B1和B2的集合以形成新的集合B3，當(dāng)集合B1和B2中的方位指向同一地標(biāo)時(shí)，保留來(lái)自B1的估計(jì)，因?yàn)镾LD通常比NBE更準(zhǔn)確。最后使用上面描述的相同過(guò)程但使用B3計(jì)算相機(jī)姿態(tài)。如何從點(diǎn)云中選擇有代表性的場(chǎng)景l(fā)andmark提供給網(wǎng)絡(luò)進(jìn)行訓(xùn)練？從SfM點(diǎn)云P中找到L個(gè)場(chǎng)景l(fā)andmark的最佳子集是一個(gè)組合問(wèn)題，其中評(píng)估每個(gè)子集都是困難的。本文受之前以貪婪的方式尋找有區(qū)別的關(guān)鍵點(diǎn)或場(chǎng)景元素工作的啟發(fā)，去選擇魯棒性（具有更長(zhǎng)的軌跡）、可重復(fù)性（在多個(gè)場(chǎng)景中看到）和可概括性（從許多不同的觀看方向和深度觀察）的場(chǎng)景l(fā)andmark，測(cè)量軌跡長(zhǎng)度大于閾值t的3D點(diǎn)x的顯著性得分A（x），如下所示：

除了最大化總體顯著性得分之外還尋找在空間上覆蓋3D場(chǎng)景的場(chǎng)景l(fā)andmark以便從場(chǎng)景內(nèi)的任何地方都可以看到一些地標(biāo)，例如無(wú)論攝像機(jī)在場(chǎng)景中的哪個(gè)位置都希望一些地標(biāo)可見(jiàn)。為此使用算法1中描述的約束貪婪方法

下圖表述一些挑選到的landmark在二維圖像中的投影的裁剪patch

實(shí)驗(yàn)：訓(xùn)練模型的細(xì)節(jié)可去論文中查看 實(shí)驗(yàn)數(shù)據(jù)集是在自己提出的INDOOR-6數(shù)據(jù)集和7Scenes數(shù)據(jù)集上

評(píng)估了單獨(dú)使用NBE, SLD,聯(lián)合使用NBE+SLD, NBE+SLD(E)（是更緊湊的網(wǎng)絡(luò)）,和SOTA的基于分層定位方法結(jié)合HLoc+SLD Baseline為Posenet、DSAC、HLoc 在INDOOR-6數(shù)據(jù)集上的結(jié)果：

存儲(chǔ)比較和消融研究：

7Scenes數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果：

總結(jié)：算法是一種存儲(chǔ)要求低但精度高的方法。主要見(jiàn)解是在人和物體姿態(tài)估計(jì)中廣泛用于關(guān)鍵點(diǎn)檢測(cè)的現(xiàn)代CNN架構(gòu)也適用于檢測(cè)顯著的、場(chǎng)景特定的3D landmark。 實(shí)驗(yàn)結(jié)果表明，其方法優(yōu)于以前的無(wú)存儲(chǔ)方法，但不如HLoc（頂級(jí)檢索和匹配方法之一）準(zhǔn)確，但是HLoc需要高存儲(chǔ)。而且基于landmark的2D–3D對(duì)應(yīng)關(guān)系補(bǔ)充了HLoc的對(duì)應(yīng)關(guān)系，并且在計(jì)算姿態(tài)之前結(jié)合這些對(duì)應(yīng)關(guān)系進(jìn)一步提高了HLoc精度。局限性：首先神經(jīng)網(wǎng)絡(luò)是特定于場(chǎng)景的，像其他學(xué)習(xí)方法一樣每個(gè)場(chǎng)景需要許多訓(xùn)練圖像，而且在使用之前需要仔細(xì)選擇場(chǎng)景l(fā)andmark集。

審核編輯 ：李倩