【论文笔记 视觉重定位 Relative Geometry-Aware Siamese Neural Networkfor 6DOF Camera Relocalization 2019

英国诺丁汉大学

本文设计了一个孪生神经网络，其以图像对为输入，网络的每一支各输出一个绝对位姿估计，以及共同预测一个相对位姿。除了常见的绝对位姿损失函数之外，作者还设计了三个基于相对位姿数据的损失函数项。

网络的两支时共享权重特征的。在测试时，选择网络的任意一支对图像进行位姿估计即可

可以看出网络的backbone式ResNet50，输出的特征图分别被GPRU和RPRU模块作为输入。

GPRU：global pose regression unit

一个1024的全连接层，然后接了两个3和4 的全连接层，输出位置和姿态估计。

这里每个全连接层后面要dropout防止过拟合，初始化时候使用xavier初始化（用于线性层，如果是非线性层则使用kaimin初始化）

GPRU以特性图为输入。

RPRU： relative pose regression unit

结构和GPRU相同，但是输入变成了两个特征图的连接。

损失函数：

1.绝对位位姿损失：

$$\begin{gathered} L_G=L_{Gx}+L_{Gq} \\ {L}_{Gx}=\Vert x-\hat{x}{\Vert }_2 \\ {L}_{Gq}={\Vert q-\frac{\hat{q}}{\Vert \hat{q}\Vert }\Vert }_2 \end{gathered}$$

2.相对几何损失：

$$\begin{gathered} 根据绝对位姿真值的计算相对位姿真值： \\ \begin{array}{l}{x}_{rel}=x-x_{ref}\\ q_{rel}=q_{ref}^{\ast }\times q带\ast 为共轭四元数\end{array} \\ 计算相对几何损失： \\ {L}_C=L_{Cx}+L_{Cq} \\ \begin{array}{l}{L}_{Cx}={\Vert {\hat{x}}_{rel}-x_{rel}\Vert }_2\\ L_{Cq}={\Vert {\hat{q}}_{rel}-q_{rel}\Vert }_2\end{array} \end{gathered}$$

3.相对位姿回归损失：

这里计算的是预测的相对位姿的损失，而上一项是关于预测的绝对位姿损失
$$\begin{gathered} L_R=L_{Rx}+L_{Rq} \\ \begin{array}{c}{L}_{Rx}={\Vert x_{rel}-{\tilde{x}}_{rel}\Vert }_2\\ L_{Rq}={\Vert q_{rel}-\frac{{\tilde{q}}_{rel}}{\Vert {\tilde{q}}_{rel}\Vert }\Vert }_2\end{array} \end{gathered}$$

4.自适应度量损失：

LMD=12N∑n=1N{max⁡(dx+α×dq−d,0)}2 L_{M D}=\frac{1}{2 N} \sum_{n=1}^{N}\left\{\max \left(d_{x}+\alpha \times d_{q}-d, 0\right)\right\}^{2} LMD​=2N1​n=1∑N​{max(dx​+α×dq​−d,0)}2

$d_x{d}_q$是相对位姿的L2距离，$d$是两个输出特征之间的L2距离 :
$$\begin{gathered} d_x={\Vert x-x_{ref}\Vert }_2 \\ {d}_q={\Vert q-q_{ref}\Vert }_2 \\ d={\Vert f-f_{ref}\Vert }_2 \end{gathered}$$
该损失期望两个输出的特征之间的差异 不小于 输入图像对的位姿之间的差异

总的损失函数：

$$L=L_G+L_C+L_R+L_{MD}$$

除了最后一项，其每一项由位置损失和姿态损失组成，因此可以写成：
$$L=L_x+L_q+L_{MD}$$
其中：
$$\begin{array}{l}{L}_x=L_{Gx}+L_{Cx}+L_{Rx}\\ L_q=L_{Gq}+L_{Cq}+L_{Rq}\end{array}$$
为了去掉损失函数中的权重参数，最后作者使用了PoseNet2中的可学习参数的损失函数形式：
$$L=L_x\times \exp \left(-{\hat{s}}_x\right)+{\hat{s}}_x+L_q\times \exp \left(-{\hat{s}}_q\right)+{\hat{s}}_q+L_{MD}$$

实验结果：

1. 7-scenes：

2. cambridge

由于端到端的深度学习重定位方法。

对各个损失函数的性能测试：

对图像对选择的实验验证：

1. 随机选择两个图像最为输入

2. 选择前后连续的两个图像

结果显示使用相邻两帧作为输入更加精确