首创!BEV-CV:用鸟瞰视角变换实现跨视角地理定位

1. 文章简介

因为航拍视角和地面视角之间有很大的差异,所以跨视角地理定位一直是一个难题。本文提出了一种新方法,可以利用地理参考图像进行定位,而不需要外部设备或昂贵的设备。现有的研究使用各种技术来缩小域间的差距,例如对航拍图像进行极坐标变换或在不同视角之间进行合成。然而,这些方法通常需要360°的视野,限制了它们的实际应用。我们提出了BEV-CV,这是一种具有两个关键创新的方法。首先,我们将地面级图像转换为语义鸟瞰图,然后匹配嵌入,使其可以直接与航拍分割表示进行比较。其次,我们在该领域首次引入了标准化温度缩放的交叉熵损失,实现了比标准三元组损失更快的收敛。BEV-CV在两个公开数据集上实现了最先进的召回精度,70°裁剪的特征提取Top-1率提高了300%以上,Top-1%率提高了约150%,对于方向感知应用,我们实现了70°裁剪的Top-1精度提高了35%。

image.png
图1. 两分支网络的一般设计。POV 分支变换和提取地面级特征嵌入,Map 分支提取航拍嵌入来构建 KDTree。虚线右侧的组件在最终训练的 BEV-CV 结构中不使用。

2. 背景简介

定位是机器人技术的关键——从自动驾驶汽车到无人驾驶火车,定位能力是必不可少的。目前,大多数定位技术依赖于外部传感器提供位置信息或计算位置。这种对GNSS等外部设备的依赖可能会导致遮挡或传感器故障等问题,从而影响定位。类似地,基于激光雷达的方法成本高昂且耗电量大。基于视觉的定位提供了一种解决方案,因为相机成本低廉,体积小,使机器人能够从环境中获取更多信息以进行自我定位。此外,大多数现代车辆都配备了前置相机,这使得有限FOV跨视角地理定位的实施变得容易。

跨视角地理定位的目标是匹配地面透视图像和地理参考航拍图像。在本研究中,我们将从车载前置有限FOV相机拍摄的图像称为第一人称视角(POV)图像,将卫星或航拍图像称为航拍图像。跨视角地理定位可以作为一种自主定位的解决方案,因为它创建了一个航拍特征嵌入的本地数据库,并不断使用POV特征嵌入进行查询,如图1所示。定位精度仅取决于系统匹配图像的能力。

我们的研究提出了一种新颖的方法来缩小POV和航拍图像视角之间的域差异,以提高跨视角地理定位的性能。我们提出了BEV-CV,这是一个架构,它通过在多个分辨率下提取并投影语义特征,将其转换为共享表示空间,并通过嵌入对来匹配它们。

image.png
图2. BEV-CV 网络概述:BEV 分支如上路径所示,从 POV 变换到 BEV 再提取嵌入进行投影,下路径的航拍分支从 U 型网潜在空间中提取嵌入。训练时使用 NT-Xent 损失函数,推理时构建航拍嵌入的 KDTree,用欧几里得距离查询 POV 嵌入进行检索。

3. 方法详解

本文的目标是最小化航拍图像和POV图像视角之间的域间差异,以生成相似的嵌入输入。我们将两个图像转换为俯视图,提取并投影特征到共享表示空间中。网络架构如图2所示,是一个没有权重共享的双分支系统。

A. 语义特征提取

为了为地面透视图像创建俯视表示,我们构建了BEV-CV的BEV分支。该网络包含四个阶段,实现在视角之间提取和重新采样透视信息。

image.png
图3. CVUSA 和 CVACT 的全景图示例,右侧显示 90° 航向对齐的 FOV 裁剪。

image.png

B. 标准化温度缩放的交叉熵损失

三元组损失一直用于CVGL研究中,以将正图像对拉近,并将负图像对推远在表示空间中。使用三元组损失函数训练BEV-CV产生了满意的结果。我们提出使用标准化温度缩放的交叉熵损失(NT-Xent)函数来解决这个问题。

NT-Xent接受与三元组损失相同的输入:透视图像以及相应的正面航拍图像对和负面航拍图像对。确定负对的各种技术通常取决于嵌入之间的初始L2距离。硬三元组挖掘使用的负样本距离锚点比正样本距离更近,对于半硬三元组挖掘,负样本不接近锚点胜过正样本,但它仍然有一个正损失。我们不明确地为训练选择三元组,而是使用批次中每个其他航拍图像作为负示例,从而批量大小为B会有B(B-1)个负示例。

image.png

4. 结果

BEV-CV在两个公开数据集上实现了最先进的召回精度,70°裁剪的特征提取Top-1率提高了300%以上,Top-1%率提高了约150%,对于方向感知应用,我们实现了70°裁剪的Top-1精度提高了35%。

image.png
表I. BEV-CV 评估和与先前工作的比较

image.png
图4. CVUSA 和 CVACT 数据集上的特征提取 Top-K 召回精度(R@K)曲线

image.png
表II. 使用 70°CVUSA 裁剪进行的消融研究。B 指 BEV 模块,P 指投影模块,U 指 U 型网络

image.png
表III. 带有偏航的 70°POV 裁剪的召回精度

image.png
图5. CVUSA Top-5 召回示例。轮廓:紫色 - 查询 POV 图像,绿色 - 正确的航拍图像,红色 - 错误的航拍图像

image.png
图6. 三元组和 NT-Xent 损失函数之间的 Top-K 召回精度比较,NT-Xent 通常实现更快更好的收敛

5. 结论

本文介绍了一种新颖的技术,用于减少有限FOV CVGL中的域间差异,确立了BEV变换在CVGL中的可行性,作为增加实用性的一种途径。与先前的特征提取方法相比,我们将CVUSA的Top-1检索率提高了两倍以上,展示了该领域的强大潜力。当然,我们的方法存在一些局限性。例如,BEV变换规范在训练期间设置,这决定了BEV变换模块中的参数数量和变换形状,这根据摄像机内参而定。这限制了网络推理时对未见内参的泛化能力。然而,我们已经证明基于CNN的BEV网络可以用作CVGL中通常使用的CNN编码器主干的替代品。进一步的工作应该致力于用更广泛的区域、光照和天气条件来推广BEV-CV,因为当前数据集是在白天晴朗的天气条件下从相对较小的区域收集的。

作者:lovelypanda
文章来源:GiantPandaCV

推荐阅读

更多嵌入式AI干货请关注嵌入式AI专栏。欢迎添加极术小姐姐微信(id:aijishu20)加入技术交流群,请备注研究方向。

推荐阅读
关注数
18795
内容数
1345
嵌入式端AI,包括AI算法在推理框架Tengine,MNN,NCNN,PaddlePaddle及相关芯片上的实现。欢迎加入微信交流群,微信号:aijishu20(备注:嵌入式)
目录
极术微信服务号
关注极术微信号
实时接收点赞提醒和评论通知
安谋科技学堂公众号
关注安谋科技学堂
实时获取安谋科技及 Arm 教学资源
安谋科技招聘公众号
关注安谋科技招聘
实时获取安谋科技中国职位信息