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 O ( n ) \mathcal{O}(n) 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 C_{e_i,n_j,h_k} Cei?,nj?,hk??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 M M和 α \alpha α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 N N控制同一group中的任意两个类之间最小单元格数量， L L L表示同一个单元格内相隔多少个 α \alpha α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 L L个 α \alpha α角度选取图片放进一个group，图中设置 α = 6 0 ° , ? N = 3 , ? L = 2 \alpha = 60^{\circ},\space N = 3, \space L = 2 α=60°,?N=3,?L=2，那么一共有多少个群组呢？答案是 3 × 3 × 2 = 18 3\times3\times2 = 18 3×3×2=18个，图中的橙色和紫色其实就是表示同一个单元格每隔 α × L = 12 0 ° \alpha \times L = 120^\circ α×L=120°采样 6 0 ° 60^\circ 60°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 × 3 = 9 3\times3=9 3×3=9个组，两个相乘就是18个群组。? 根据上述解释定义CosPlace Group G u v w G_{uvw} Guvw?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 L 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 ? ( N ? 1 ) M\cdot(N-1) M?(N?1)米，或者相隔 α × ( L ? 1 ) \alpha \times (L-1) α×(L?1)度
(3) CosPlace Groups总数目为 N × N × L N \times N \times L N×N×L
(4) 没有任何两个连通的类属于同一个群组（除非 N = 1 N=1 N=1或者 L = 1 L=1 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：
L c o s P l a c e = L l m c l ( G u v w ) \mathcal L_{cosPlace} = \mathcal L_{lmcl}(G_{uvw}) LcosPlace?=Llmcl?(Guvw?)
L l m c l \mathcal L_{lmcl} Llmcl? 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 , . . . G_{000},\space G_{001},... G000?,?G001?,...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 , ? α = 3 0 ° , ? N = 5 , ? L = 2 M = 10, \space \alpha = 30^\circ, \space N = 5, \space L = 2 M=10,?α=30°,?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 , α M,N,L,\alpha M,N,L,α；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 , α = 30 , N = 5 , L = 2 M = 10,\alpha = 30, N = 5, L = 2 M=10,α=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！
