MscaVPR: 강인한 시각적 장소 인식을 위한 다중 스케일 좌표 주의 네트워크

시각적 장소 인식(VPR)은 쿼리 이미지를 시각적 표현과 지리 태그가 달린 데이터베이스를 대조하여 위치를 찾아내는 것을 목표로 합니다. VPR에서 한 가지 주요 도전 과제는 외관 변화, 시점 변동 및 지각적 동일성 하에서도 강건한 장소 표현을 학습하는 것입니다. 그러나 기존 VPR 방법은 여전히 심각한 시점 변화 하에서 강건성을 저해할 수 있는 적응형 다중 스케일 특징 융합 및 시점 인식을 고려한 교육 감독의 한계를 보여줍니다. 본 논문에서는 다중 스케일 특징 증강과 방위 인식 훈련을 조합한 VPR 프레임워크인 MscaVPR을 제안합니다. 구체적으로, 다중 스케일 공간 피라미드 주의(MSPA) 모듈을 통합하여 서로 다른 공간 스케일에서 지역 특징을 집계하고, 좌표 주의(CA)를 사용하여 공간적으로 세련된 특징 학습을 위한 위치 단서를 인코딩합니다. 시점 강건성을 더욱 향상시키기 위해, 우리는 시점 불일치가 큰 어려운 긍정 샘플을 선택하고 방위 인식 보조 손실 함수를 사용하여 최적화하는 방위 유도 훈련 전략을 설계합니다. 여러 벤치마크 데이터셋에 대한 실험 결과는 MscaVPR이 일반적으로 강력한 기준선을 초과하며 도전적인 조건 하에서 성능을 향상시킴을 나타냅니다. 특히, Recall@1은 AmsterTime, SVOX-Night 및 SVOX-Sun 데이터셋에서 각각 2.1%, 1.9%, 1.9% 향상되었습니다. 결과는 명시적으로 방위 단서를 통합하는 것이 기존의 다중 스케일 및 주의 기반 VPR 방법에 효과적인 보완이 됨을 보여줍니다.