Représentation efficace de la géométrie locale pour la récupération d'objets à grande échelle

Les méthodes à la pointe de la technologie pour la récupération d'images et d'objets exploitent à la fois l'apparence (via des mots visuels) et la géométrie locale (étendue spatiale, pose relative). Dans les problèmes à grande échelle, la mémoire devient un facteur limitant - la géométrie locale est stockée pour chaque caractéristique détectée dans chaque image et nécessite un stockage plus important que le fichier inversé et les poids de fréquence de termes et de fréquence de documents inversés combinés. Nous proposons une méthode novatrice pour apprendre une représentation de la géométrie locale discrétisée basée sur la minimisation de l'erreur de reprojection moyenne dans l'espace des ellipses. La représentation nécessite seulement 24 bits par caractéristique sans perte de performance. De plus, nous montrons que si l'hypothèse du vecteur gravitationnel est utilisée de manière cohérente depuis la description de la caractéristique jusqu'à la vérification spatiale, cela améliore la performance de récupération et diminue l'empreinte mémoire. La méthode proposée surpasse les algorithmes de récupération à la pointe de la technologie dans un benchmark standard de récupération d'images.